不是又一个大模型，而是把「想、看、做」接起来
10 月 29 日，在 2026 智元创新日上，智元联合创始人、联席总裁、具身智能业务体系总裁姚卯青发布新一代具身基座模型 GO-3 Preview。它最关键的定位，是用自研的具身原生架构 WRAM（World Reasoning Action Model），把任务理解、未来预测与动作生成统一建模——机器人不再只是「听懂指令」，而是要能够预判接下来环境会怎样变化，再据此生成可以执行的实体动作。
据智元在现场公布的数据，GO-3 Preview 已登顶 RoboDojo、RoboTwin、RoboColiseum 三大具身智能评测榜单，均位列榜首。在输入端，模型把视觉 token 压到 DINOv3 的十六分之一、动作恢复误差降低约 35%；在决策端，单步先预测未来后果，再通过 IDM 模块生成动作；输出端从多个候选里筛掉不相容的未来。这种结构让它在家居、厨房、多机协作、灵巧操作等场景里，无需额外微调就能直接完成陌生任务。
全链路规模化学习：不只在预训练
智元这次强调的核心，是「全链路 scaling」。过去具身模型常被诟病「训出来很强、落地就掉链子」，GO-3 Preview 的应对是把学习从预训练一路延伸到后训练和部署后。预训练阶段，模型从人类操作演示视频与机器人轨迹两类数据共同学习，建立跨任务、跨场景迁移的通用能力，并在 Zero-Shot 与 Few-Shot 任务中检验。
后训练阶段，智元用 Genie Evolver 把百台真机、物理仿真与世界模型协同起来：机器人经验在真机与仿真之间流转，成功轨迹可学习、失败上下文指明改进环节，再通过世界模型分叉推演多条未来路径来优化策略。部署后阶段，Genie Master 这个具身智能体框架把判断、执行与反馈串起来，让机器人上岗后随做随记、把成败沉淀为长期记忆，并反过来用于继续训练动作策略。
真实作业里的成效
智元给出的一个具体数字很有说服力：搭载该框架的精灵 G2 在真实便利店上岗期间，不依赖人工示范与调试，自主定位失败原因、调整策略、沉淀经验，完整任务成功率从首日 28.6% 提升到 5 天后的 85.7%，单任务成功率相比常规微调提升 17.7 个百分点。智元称这标志着行业走出仿真环境、在真实业务场景里验证 PhysicalRSI（具身递归自进化）。
同一场发布会还披露了更多生态动作：具身原生操作系统灵渠 OS 1.0（约 2 亿行代码）计划年底开源并捐赠给开放原子开源基金会；彭志辉透露智元上半年营收接近 20 亿元、出货量达 9700 台、占全球市场份额超 43%；并出资设立面向人形/四足机器人的民营企业基金。GO-3 Preview 本身则明确将于 2026 年底全面开源。
为什么值得关注：物理 AI 走通了「越用越聪明」
具身智能过去最大的质疑，是实验室里的指标无法平移到乱糟糟的真实世界。GO-3 Preview 的叙事重点不在某个基准分，而在把「数据—模型—本体—场景」拧成一个可衡量、可规模化的闭环：机器人不是出厂即巅峰，而是在真实作业里持续进化。对想做具身落地的团队而言，这种「全链路 scaling + 部署后自进化」的框架，比单纯堆参数更有参考价值。
放到更大的坐标里，智元把开源承诺压到了年底（模型与操作系统双线），并用真实部署数据佐证自我进化能力。具身智能的竞争正从「谁的 demo 更炫」转向「谁能在真实场景里持续产出有效智能工时」——这恰恰是 Physical AI 真正进入产业的前置条件。