10月29日，智元機器人推出新一代具身基座模型GO- 3 Preview。當前大語言模型已經具備較強的文本推理能力，但機器人想要在現實世界完成抓取、裝配等實體工作，不僅需要「思考」，更要適配物理環境，處理物體接觸、位置變化等現實問題，這也是具身智能技術需要攻克的核心難題。在此背景下，GO- 3 Preview實現預訓練、後訓練、部署後全鏈路規模化學習，並且拿下RoboDojo、RoboTwin、RoboColiseum三大行業評測榜單第一名，該模型計劃在2026年底全面開源。

不同於傳統模型僅依靠前期數據訓練，智元提出，機器人智能不能只靠實驗室訓練數據，更要在真實作業場景中不斷積累經驗迭代優化。GO- 3 Preview依託全新的WRAM具身原生架構，打通任務理解、環境預判和實際動作輸出，機器人看懂指令之後，可以預判環境接下來的變化，再輸出適配現實場景的操作動作，整套學習分為預訓練、後訓練、部署後持續進化三個階段。

預訓練階段：打好基礎，實現陌生場景舉一反三

日常生活裏，同樣是拿起水杯，杯子的樣式、擺放位置千差萬別。如果機器人只會記住固定動作，遇到場景變化就容易失效。預訓練的目標，就是讓機器人掌握通用本領，面對沒見過的任務也可以快速上手。

GO- 3 Preview一方面吸收人類第一視角的操作視頻，學習人與物體交互的邏輯;另一方面採集機器人自身操作軌跡，建立視覺觀察、動作和物理結果之間的對應關係。

模型內部做了多項技術優化：簡化視覺信息處理，降低畫面數據運算壓力;先預判場景接下來會發生什麼，再規劃機器人動作;同時篩選合理的預判結果，讓預判和實際動作互相匹配。

經過預訓練之後，機器人無需額外調試，在家居、廚房、多機協作、靈巧操作等場景就可以完成全新任務。只要少量人為示範，還能挑戰煎餅果子製作、樂高拼裝這類步驟繁瑣、對精細度要求高的工作。

後訓練階段：虛實結合反覆練習，模擬覆盤提升實操水平

完成基礎學習，不等於機器人就能勝任複雜工作，就像人學會基礎動作後，依舊需要反覆練習打磨技巧。在後訓練環節，智元搭建混合訓練系統，結合真實機器人、仿真虛擬環境與環境推演工具開展訓練。

真實真機集羣可以實現羣體經驗共享。上百台機器人同步開展作業，成功的操作可以被全體機器人借鑑，失敗案例則標記出待優化的問題點，一台機器人踩過的坑，其他機器人也可以同步學習規避。

仿真虛擬環境能夠低成本創造大量現實中難復現的場景，反覆開展測試練習。同時藉助環境推演工具，機器人僅憑一段真實操作記錄，就可以模擬推演多種後續可能性，不用全部依靠真機試錯，通過「想象試錯」優化行動策略。

這套訓練模式已經得到驗證：桌面冰壺任務中，經過4小時迭代訓練，機器人操作水平已經超過普通測試人員;堆疊抽積木遊戲裏，機器人能夠連續抽出5塊積木，同時保證高塔不會倒塌。

部署上線：在真實工作中自我迭代，邊幹活邊升級

以往機器人落地後，如果遇到訓練時沒有見過的狀況，大多需要工程師人工修改代碼、補充數據，迭代效率較低。GO- 3 Preview希望改變這一模式，讓已經上崗的機器人，在實際工作過程裏持續自我優化。

智元搭建自進化框架，統一任務調用、執行、結果反饋的整套流程。機器人在工作中會自動記錄任務成敗案例，一方面把經驗保存下來，遇到相似任務直接參考過往教訓;另一方面把實際作業產生的操作數據用於模型更新，把實操收穫固化成機器人的固有能力。

這套方案已經在商用機器人精靈G2上落地測試。該機器人在便利店執行真實業務，全程不需要人工實時介入調試。上線第一天完整任務完成率僅有28.6%，依靠持續積累實操經驗，5天后任務成功率提升至85.7%。以掛小掛鈎這一具體工作為例，機器人自己找到失敗原因，調整操作順序，任務成功率對比傳統調優方式提升17.7個百分點，並且能力可以持續上漲，不會輕易陷入性能瓶頸。這也是行業內少有的，脱離仿真實驗室，在真實商業場景完成機器人自主進化驗證的項目。

行業意義：打通全鏈路，探索實體AI規模化成長路徑

從早期GO- 1、GO- 2模型，到本次GO- 3 Preview發佈，智元持續推進具身智能技術迭代。大模型依靠海量數據實現能力躍升已經被市場驗證，但物理世界機器人如何複製規模化增長，一直是行業討論焦點。

GO- 3 Preview給出的思路，就是把學習貫穿模型的整個生命週期：預訓練搭建通用能力底座，後訓練通過虛實結合打磨實操技巧，部署後依託真實業務源源不斷獲取新經驗。當觀察、行動、反饋形成閉環，機器人就可以不斷拓寬能力邊界，推動人形機器人從實驗室走向真實的各類工作場景。