银河通用昨日宣布，联合北京智源人工智能研究院及北京大学和香港大学研究人员，发布首个全面泛化的端到端具身抓取基础大模型 GraspVLA。

　　注：“具身智能”是指将人工智能融入机器人等物理实体，赋予它们感知、学习和与环境动态交互的能力。

　　据介绍，GraspVLA 的训练包含预训练和后训练两部分。其中预训练完全基于合成大数据，训练数据达到了有史以来最大的数据体量 —— 预训练后，模型可直接 Sim2Real在未见过的、千变万化的真实场景和物体上零样本测试，官方宣称满足大多数产品的需求；而针对特别需求，后训练仅需小样本学习即可迁移基础能力到特定场景，维持高泛化性的同时形成符合产品需求的专业技能。

　　官方公布了VLA 达到基础模型需满足的七大泛化“金标准”：光照泛化、背景泛化、平面位置泛化、空间高度泛化、动作策略泛化、动态干扰泛化、物体类别泛化。

　　▲光照泛化，二倍速播放

　　▲背景泛化，三倍速播放

　　▲平面位置泛化，二倍速播放

　　▲空间高度泛化，二倍速播放

　　▲动作策略泛化，三倍速播放

　　▲动态干扰泛化，二倍速播放

　　▲物体类别泛化，三倍速播放