GR-3模型技术亮点 - 具备高泛化能力，能理解抽象语言指令并操作柔性物体，通过少量人类数据即可高效微调[2] - 采用改进模型结构，可处理长程任务并实现高灵巧度操作，包括双手协同和全身操作[2] - 采用三合一数据训练法，融合遥操作机器人数据、人类VR轨迹数据和公开图文数据[7] - 采用MoT网络结构，将视觉-语言模块与动作生成模块结合为40亿参数端到端模型[7] - 计划扩大模型规模和训练数据量并引入RL方法，提升泛化性突破模仿学习局限[7] ByteMini机器人特性 - 专为GR-3设计的通用双臂移动机器人，具备22个自由度和无偏置7自由度机械臂[4] - 机械臂采用球形手腕设计，可在狭小空间完成精细操作[4] - 搭载多颗摄像头实现细节与全局感知，配备全身运动控制系统[4] - 作为GR-3的配套躯体，能高效处理真实环境中的复杂任务[4] GR-3实际应用表现 - 在超长序列餐桌整理任务中展现高鲁棒性和成功率，严格遵循分步指令[4] - 能准确判断无效指令并保持不动，如处理不存在的物品指令[4] - 可控制双臂协同操作柔性物体，鲁棒识别整理不同摆放方式的衣服[5] - 能泛化抓取未见物体，理解复杂抽象指令如处理未训练过的短袖衣物[5] 行业技术发展趋势 - 泛化能力成为VLA模型研发重点，助力机器人在复杂场景快速适应新任务[7] - 机器人公司持续发力"机器人大脑"端，推动VLA模型技术进步[7]