Gen-1：将具身基础模型scaling到精通水平 类比了GPT-3时刻，涌现

Gen-1：将具身基础模型scaling到精通水平 类比了GPT-3时刻，涌现表现在：1）能从多任务中获益；2）机器人领域的ScalingLaws 性能指标： 1）平均任务成功率99%（并非所有任务，此前Gen-0微调模型仅为64%；2）任务完成速度约为Gen-0最优方法的3倍；3）每项任务仅需约1小时机器人后训练数据（非常高的学习效率） 可靠性：GEN-1持续自主执行长时间操作，包括：连续一小时以上完成汽车零件套件组装、连续折叠86件T恤、对扫地机器人执行200余次维护、堆叠积木1800次、反复处理手机，全程无需人工干预 速度：折纸箱约需12秒，而此前需约34秒，提升约2.8倍；手机打包仅需15.5秒 即兴：在意外情况下展现创造性解决问题的能力，例如：对未对准的物体尝试多种重新抓取策略，或从异常摆放状态中恢复软性物体 数据侧：验证diverse海量非真机数据预训练，在后训练时使用少量真机即可适应机器人本体并完成任务。1）预训练数据来自UMI而非遥操数据，此前Gen-0有27万小时->这版50万小时物理世界交互数据，3个月23万，单月有效数据产能7万多小时 数据效率：GEN-1在使用10倍更少任务专项数据、更少微调步骤的情况下，达到了与GEN-0相当甚至更好的性能。 后续工作：1）继续提升更复杂任务成功率；2）降低数据量；3）与用户的alignment，保证涌现的是用户期待的行为