近日，智元机器人发布并开源了原生世界-动作模型 GE-Act 2.0。它想回答一个具身智能行业绕不过去的问题：如果把机器人的训练数据从 300 小时扩大到 3 万小时，模型能不能像大语言模型那样，随着数据量增长不断解锁新能力？答案是可以——这是原生世界-动作模型的 Scaling 路径第一次得到系统性验证。目前行业里的主流做法，是拿现成的视频生成模型当底座，再在上面接一个动作输出头。GE-Act 2.0 没走这条路：视觉表征、未来状态预测、动作生成这些核心组件全部从随机初始化开始，只在具身操作数据上做端到端训练。这么做更贵、更慢，但好处是能力来源干净——模型学到的东西究竟来自通用预训练，还是来自针对测试任务的「考前特训」，一眼就能分清楚。所以它的评测标准也定得很硬：真机零样本测试，不微调、不给示范、不换模型，测试里的场景、背景、光照和物体实例都没进过训练数据；覆盖 100 项原子任务、20 类技能，适配两种机器人本体。研究团队用了四档数据量做对照：300 小时、1200 小时、5000 小时、30000 小时。结果有三层。第一层是技能逐格点亮：能取得非零成功率的任务数量，在 G1-OP 本体上从 39 项增加到 76 项，在 G2-90D 本体上从 24 项增加到 72 项。第二层是成功率整体抬升：G1-OP 的零样本总体成功率从 17.1% 升到 44.1%，G2-90D 从 13.4% 升到 31.1%，而且从 5000 小时往 30000 小时走的这一段，曲线还在往上，没看到平台期。第三层最有意思：折叠毛巾、嵌套纸杯、拔插笔盖、插花这类精细动作，在小数据量下模型根本理解不了，到 3 万小时规模时出现了明显的能力跃升。数据成本高，是机器人行业最痛的地方。传统方法依赖「指令-画面-动作」完整配对的高质量数据，大量无标注视频、没有动作标注的第一视角画面，甚至操作失败的轨迹，都因为不符合格式而被浪费。GE-Act 2.0 的设计是把训练拆成三个阶段，让不同形态的数据各司其职：第一阶段用 3.9 万小时「指令-视频」数据预训练世界模型，学环境如何随动作变化，其中包含 3000 小时不带动作标注的第一视角与人类操作视频；第二阶段用 3.2 万小时机器人轨迹训练逆动力学模型，学「画面变了说明机器人做了什么」，其中包含 2000 小时失败操作与真实部署回流数据，不需要成功标签；第三阶段用 3 万小时完整配对数据做联合训练，打通世界预测与动作控制。关键在第二个阶段——借助逆动力学，那些没指令、没成功标签、甚至失败的轨迹，都能被还原出动作监督信号，重新变成能用的训练素材。这套思路对数据昂贵的机器人行业，参考价值不小。架构上还有一些细节值得一提：控制导向的自编码器 CoAE 把单帧 256×384 的画面压缩成 24 个视觉 token，指令与画面的匹配准确率达 97.95%；微调之后，模型在 RoboTwin 陌生环境测试中的成功率是 60.52%，在 GenieSim 的指令遵循测试得分为 0.770。把 Scaling 定律从语言搬到机器人操作上，意义在于给行业一个可预期的增长逻辑：只要数据规模继续往上堆，能力就会继续解锁，而不是靠一次次手工调参去碰运气。GE-Act 2.0 随论文和项目主页一并公开，模型也已开源，等于把这套路标摆在了明处——方向是通的，接下来是谁先把数据规模做上去的问题。
