具身智能在处理叠衣服、冲咖啡等长时程任务时，常因失误率高而受限。GigaBrain-0.5M* VLA大模型通过引入世界模型条件驱动和人在回路学习机制，实现了数小时连续零失误，显著提升了机器人在复杂场景下的鲁棒性和泛化能力。
智能速览
长时程任务成功率接近100%，数小时连续零失误
任务成功率较主流RECAP方法提升30%
采用世界模型条件驱动，提供精准时序上下文支撑
引入人在回路机制，实现“行动—反思—进化”闭环
训练数据超1万小时，合成数据占比61%
精华内容
具身智能的进化关键在于能否在复杂物理世界中保持长时间稳定运作，GigaBrain-0.5M*交出了一份高分答卷。
任务成功率飙升
在与主流方法RECAP的对比测试中，GigaBrain-0.5M*展现出压倒性优势，将任务成功率强行拉升了近30%。面对折纸盒、咖啡制备、衣物折叠等包含多阶段操作的长时程高难度任务，该模型均实现了接近100%的成功率。
实测过程中，机械臂能够稳定复现成功执行轨迹，数小时内保持零失误。这种稳定可靠的表现，标志着具身智能在应对复杂物理交互时的鲁棒性取得了质的飞跃。
双重技术驱动
模型创新性地采用基于世界模型的强化学习范式，利用对未来状态与价值的预测结果作为条件输入，指导策略网络进行微调。这种机制通过单步降噪与时序上下文支撑，使价值估计更加高效精准。
同时，系统引入人在回路持续学习机制，依托人工筛选与校正的推演轨迹进行迭代训练。真实环境的交互反馈让系统具备了“行动—反思—进化”的能力，实现了决策策略的自主迭代升级。
海量数据支撑
强大的性能源于海量的数据积累，GigaBrain-0.5M*基座模型基于总计10,931小时的多样化机器人操作数据完成预训练。其中61%的数据由自研具身世界模型GigaWorld高保真合成，有效覆盖了纹理迁移、视角变换等丰富场景。
剩余39%源自真实机器人采集，确保了策略在物理世界中的可执行性。合成数据与真实数据的结合，不仅突破了真实采集的长尾瓶颈，更为模型适应开放世界奠定了坚实的数据基石。
极佳视界通过GigaBrain-0.5M*展示了具身智能进化的新路径，从基模、本体到场景的深度打磨，构建了能自我进化的闭环生态。这种体系化的研发方式，不仅提升了进化效率，也为通用机器人走进千家万户提供了更多可能。
