模型性能与市场地位 - 公司推出的GigaBrain-0.1模型在RoboChallenge竞赛中以68.34分和51.67%的成功率(SR)获得全球第一[1][3] - 新一代模型GigaBrain-0.5M*在家庭叠衣、服务冲煮咖啡、工业折纸盒等多个真实机器人任务中，实现了数小时零失误、持续稳定运转[3] - 在相同任务设定下，GigaBrain-0.5M*相较于RECAP基线方法，任务成功率提升近30%[11] 核心技术范式 - GigaBrain-0.5M*是一款基于世界模型条件驱动的视觉-语言-动作大模型，以世界模型对未来状态与价值的预测结果作为条件输入，显著提升模型在长时程任务中的鲁棒性[4] - 模型创新引入人在回路持续学习机制，通过人工筛选与校正的模型推演轨迹进行迭代训练，基于真实环境交互反馈持续优化，形成“行动—反思—进化”的闭环式持续学习与自主迭代升级[4] - 公司提出了基于世界模型的强化学习范式，并采用迭代式四阶段闭环训练流程，包括世界模型预训练、策略网络微调、真实环境部署与数据采集、以及联合优化实现持续进化[8] 技术优势与实验结果 - 在高难度长时程任务中，如折纸盒、咖啡制备、衣物折叠等复杂场景，GigaBrain-0.5M*实现了接近100%的任务成功率，并可稳定复现成功执行轨迹[11] - 基于世界模型的价值预测方案在执行效率与预测精度上优于VLM方案，其“状态+价值”预测的推理时间为0.25秒，均方误差为0.0099，均方根误差为0.0989，肯德尔系数为0.8018[14][15] - 世界模型的价值预测能与任务物理进程高度对齐，例如在叠衣服任务中能准确反映操作阶段、干扰出现与移除等状态变化[14] 数据与训练基础 - GigaBrain-0.5M*的基座模型基于总计10,931小时的多样化机器人操作数据进行预训练[18] - 其中61%（6,653小时）的数据由自研具身世界模型GigaWorld高保真合成，覆盖纹理迁移、视角变换、人手到机械臂映射等丰富场景；剩余39%（4,278小时）源自真实机器人采集[18] - 海量合成数据有效突破了真实采集的长尾瓶颈，通过可控生成新样本增强了模型在分布外场景中的适应性，为具身智能走向开放世界奠定数据基石[18] 公司战略与团队 - 公司是一家具身智能和通用机器人公司，围绕“基模-本体-场景”三位一体，为工业、商业、家庭等场景提供软硬一体的机器人解决方案[21] - 核心团队来自全球知名院校及企业，在物理AI方向兼具业内领先的研究能力和大规模的产业落地经验[21] - 公司是国内第一家布局世界模型的科技公司，致力于通过其世界模型平台GigaWorld、通用具身大脑GigaBrain、原生本体Maker构建闭环生态，实现10-100倍以上的全链路效率提升，推动物理AGI大规模爆发[21]