北京的具身智能领域迎来重要突破——星海图（Galaxea）正式发布新一代通用视觉-语言-动作模型G0.5，在横跨仿真、真机、零样本、长程任务的7项核心基准测试中全面超越同期竞争对手，尤其在零样本迁移和复杂操作任务中展现出显著优势。这一成果标志着中国团队在具身智能架构创新领域迈出关键一步。
在真实机器人操作数据集DROID的测试中，G0.5未经任何微调直接部署于10项桌面任务，平均成功率达82.5%，较前代模型提升25个百分点。面对需要多步骤顺序执行的"将积木放入抽屉并关闭"任务，G0.5在半数试验中成功完成，而对比模型MolmoAct2则完全失败。这种零样本能力直接反映模型在预训练阶段沉淀的可迁移操作先验，而非针对特定平台的过拟合优化。
在星海图自研平台进行的真实机器人微调测试中，G0.5与两个主流模型使用相同训练数据和计算资源，完成折叠毛巾、整理铅笔盒等6项复杂任务。结果显示其平均成功率达76.7%，较π0.5提升23个百分点，较GR00T-N1.7高出逾一倍。特别在折叠毛巾任务中，模型需协调双臂完成展开、铺平、折叠等精细操作，任何抓握力度偏差都会导致任务失败，G0.5在此类高精度任务中展现出显著优势。
仿真测试环节覆盖单臂指令跟随、双臂协调操作和跨数据集迁移三大场景。G0.5在LIBERO基准测试中以98.9%的成绩刷新纪录，在长程序列任务子集LIBERO-Long中更取得98.6%的突破性表现。双臂协调测试RoboTwin 2.0包含50余个复杂任务，G0.5以93.3%的平均成绩再次领跑。跨数据集迁移测试SimplerEnv-Bridge中，模型同样以87.3%的成绩超越所有对比模型。
最引人注目的是长程移动操作测试BEHAVIOR-1K。该测试包含50个完整家庭场景任务，单次演示平均时长6.6分钟，机器人需在房间尺度空间内完成导航、取物、使用电器等连续操作。G0.5仅用单个预训练模型经过1个训练周期，便取得0.2904的任务成功率，不仅超越前代模型训练4个周期的成绩，更胜过使用4个模型集成的赛事冠军方案。当训练周期增加至4个时，其成功率进一步提升至0.3136，在50个任务中有29个表现优于对比模型。
这些突破性成果源于星海图对现有架构的根本性革新。传统VLA模型采用"视觉-语言模型作为编码器"的架构，将预训练VLM的输出作为条件信号传递给独立训练的动作生成模块。这种设计虽具效率优势，但导致VLM的核心能力经过压缩瓶颈后间接影响动作生成。G0.5则彻底摒弃这种分离架构，让同一套模型权重在自回归序列中同步完成推理和动作生成，使推理真正成为动作的组成部分。
为实现这种统一架构，研发团队引入三项关键技术：跨本体动作编解码器将18种机器人本体数据统一映射到27维动作空间，通过稀疏预测机制仅生成当前需要移动部件的token；原生思维链机制要求模型在生成动作前先输出原子子任务、目标边界框等推理token，这些token与动作token受同一损失函数约束；视觉记忆模块通过分解的时空注意力机制，将多秒历史帧视觉信息轻量级融入当前决策，特别适用于需要反复穿越空间的长程任务。
这种架构创新带来前所未有的控制灵活性。通过改写自然语言提示，用户可直接调整机器人动作风格和执行细节，无需重新训练模型。在"面包放入空气炸锅"任务中，将简单指令改写为"轻轻地把门完全打开"等详细描述后，任务成功率在原有基础上再提升15个百分点。这种能力源于自回归架构中推理token与动作token共享上下文，使动作生成可直接回看完整推理过程。
G0.5的突破得益于星海图"整机+智能"的全栈研发体系。公司自研的R1 Pro和R1 Lite轮式双臂机器人平台已服务全球近百家顶尖机构，其采集的本体数据直接助力模型预训练。基于Qwen3.5 2B视觉-语言模型初始化的G0.5，在预训练阶段联合训练约1亿条视觉-语言问答数据，其中包含5000万条具身场景VQA数据。这种数据与算法的闭环优化，使模型泛化能力与本体适配成本形成良性互动。
值得关注的是，星海图团队此前发布的Fast-WAM论文提出类似架构判断：在动作建模中，训练阶段学到的世界表征比推理时生成的预测帧更重要。两篇工作共同指向一个趋势——中国团队正在具身智能底层架构领域形成原创性判断，这种创新或将重新定义技术发展路径。
