具身智能在叠衣服、冲咖啡等长时程任务上表现不佳，GigaBrain-0.5M*的出现打破了这一僵局。它通过世界模型预测与人在回路的持续学习机制，将复杂任务成功率提升至新高度，为机器人实现稳定可靠的日常操作提供了全新解决方案。
智能速览
GigaBrain-0.5M*模型实现复杂长时程任务近100%成功率。
采用世界模型预测未来状态，显著提升任务鲁棒性。
引入“人在回路”机制，实现“行动—反思—进化”的闭环学习。
性能超越主流基线RECAP，任务成功率提升近30%。
基于超万小时真实与合成数据预训练，泛化能力强大。
精华内容
叠衣服、冲咖啡等看似简单的任务，因其步骤繁多、需要持续决策，一直是具身智能的巨大挑战。GigaBrain-0.5M*的登场，正是为破解这一难题而来，它用创新思路重构了机器人的决策与学习方式。
性能飞跃
在与主流模仿学习方法RECAP的正面对比中，GigaBrain-0.5M*展现出压倒性优势。在相同任务设定下，其任务成功率相比RECAP基线提升了近30%。
更值得关注的是，在面对折纸盒、咖啡制备、衣物折叠等包含多阶段操作的复杂场景时，GigaBrain‑0.5M*实现了接近100%的任务成功率，并且能够稳定复现成功的执行轨迹，彰显出卓越的策略鲁棒性。
世界模型驱动
GigaBrain-0.5M*的核心创新之一是基于世界模型的强化学习范式。它不再仅仅依赖视觉语言模型（VLM），而是利用世界模型对未来状态与价值进行预测，并将此预测结果作为条件输入到决策模型中。
这种方案通过显式建模未来状态并采用单步降噪机制，为价值函数提供了关键的时序上下文，使得价值估计比VLM方案更高效、更精准、更稳定。
人在回路学习
为了实现持续进化，该模型创新地引入了人在回路的持续学习机制。系统会依托经人工筛选与校正的模型推演轨迹来开展迭代训练，通过在真实环境中进行交互并获得反馈，持续优化其决策策略。
这一过程形成了一个“行动—反思—进化”的闭环，使得模型能够像人类一样在实践中学习、反思错误并自主迭代升级，不断优化自身性能。
数据基石
强大的性能离不开海量数据的支撑。其基座模型GigaBrain-0.5基于总计10,931小时的多样化机器人操作数据进行预训练，显著拓展了模型的任务覆盖广度与策略鲁棒性。
同时，研究团队利用GigaWorld平台生成合成数据，有效突破了真实数据采集中难以覆盖的长尾场景瓶颈。通过可控地生成新纹理、新物体位姿等样本，增强了模型在分布外场景中的适应性。
GigaBrain-0.5M*的背后，是极佳视界围绕世界模型、具身大脑与原生本体构建的自我进化生态。这种体系化的能力，正将通用机器人从实验室推向现实应用。当机器人能稳定完成所有这些琐碎任务时，我们的生活将迎来怎样的变革？
