三榜第一，完胜GPT-6！中国物理RSI杀出黑马

早晨，你还没睁眼，厨房里已经传来轻微的碰瓷声。

推门出去，机器人管家X1站在餐桌旁，你没说话，它就把把椅子轻轻拉开了一点。

你把门一关，它转身走向客厅，捏起那根逗猫棒。

猫伏低身子，尾巴一下一下拍地。逗猫棒上的羽毛刚晃到半空，猫就蹿起来扑了过去。

最后一瞬，X1把手臂一抬，猫爪擦着空气划了过去。它的手腕又轻轻一抖，羽毛荡回猫鼻尖，猫翻身再扑，它再躲开。几个回合下来，它已经摸透了这只猫的脾气。

晚上你推开门，一句我回来啦还没落地，X1已经夹着拖鞋迎上来，送上专属问候：公主，请换鞋。

这就是大家梦寐以求的个性化家庭服务——一个能够适应你的习惯、理解你的家庭环境、为你量身定制服务的机器人管家。

但逗猫的手法、回家的迎接仪式——每家每户都不一样。这些东西出厂时预装不了，也穷举不完。

最简单的办法，是你亲自演示一遍给它看。看完，它就会。

为此，诺因（Knowin）发布了生成式学习框架GLOW（Generative Learning of World）。

原文链接：https://knowinai.com/tech.html

他们认为机器人能否走进千家万户，关键在于机器人理解人的技能、泛化执行。

这背后就是他们独特的判断：

家庭场景的商业化不会从通用能力开始，而会从有限、高频、可验证的任务集合切入。

而且家中有老人、儿童、宠物，有明火和化学品，安全是进入家庭的准入门槛，而不是加分项。

话不多说，我们先看一下一教就会效果如何。

一教就会，这才是你想要的专属管家

诺因公布了四组实机对照，每组左边是人的操作过程，右边是机器人学完之后自己做。

第一组是开盒收纳。

人示范的时候收的是一样东西，但机器人执行的时候，要收的物品换了另一种。

它先开盖，并且能够泛化识别物品和位置发生变化，再把东西放进盒子，最后合盖，一气呵成。

左：人展示开盒收纳；右：机器人换了物品照做（加速4.5倍）

请注意，动作只教了一次，机器人需要利用现场反馈完成每个阶段，成功将收纳这一动作泛化到多种物体和位置。

第二组是浇花。

人用的是黑色细嘴壶，但机器人手边只有一把绿色浇水壶。

壶的大小、颜色、位置发生变化，但它能够准确认出，把从人的操作中学到的抓持、朝向和倾斜关系用到这把壶上，浇完再放回去。

左：人用黑色细嘴壶浇水；右：机器人换成绿色浇水壶照做（加速3.5倍）

也就是说，机器人学会的是执行浇花这一任务，而不是简单重复看到的教学动作，能够适应场景中的变化。

第三组是擦桌子，也是最有意思的一组。

人拿着抹布，沿心形轨迹擦了一遍，机器人学完，也擦出了一个心形。

左：人沿心形轨迹擦桌；右：机器人复现（加速3.5倍）

它把擦桌子这个目标和怎么擦这个人的习惯一起学走了。公主，请换鞋这种梗，靠的就是这个。

第四组是调酒。

桌上摆着好几个杯子，人先按顺序倒了一遍，让机器人看清先倒哪杯、再倒哪杯。

机器人学完，虽然位置顺序变了，但准确识别物品，依次取杯、倾倒、回正、放回，把多个步骤接成了一套完整的流程。

左：人依次取杯调酒；右：机器人复现完整流程（加速12倍）

四组任务，模型权重没有动过一个参数。看过人的操作过程，机器人就能上手，一教就会，并且能泛化到更多位置、物品和场景。

在任务中，AI要协同调用多种能力：识别对象与动作，定位操作目标，判断交互结果，规划下一步。

此外，模型还要具备对物体和位置的泛化能力。

在诺因测试中，GLOW能力斩获三个榜单第一，用数字也证明了其泛化能力之强。

在RoboDojo的18项复杂任务里，GLOW平均成功率62.2%，而 GPT-6(Robocurve)是22.2%,提升了40个百分点。

在专治「背题」的LIBERO-Pro上，GLOW成绩为86.7%，GPT-6 Astra只有58%，单模型这一档86.7的平均分排第一。

在 Embodied Arena 的 2D-Embodied QA Benchmarks 榜单中，在 20 个具身模型中，GLOW以 65.62 的综合得分勇夺第 1，脱颖而出。

核心解密：原生自回归才是行业最优解

机器人观看人的操作视频时，用一个技能编码器把连续的视觉经验压成一份可复用的技能上下文。

它提取的是任务结构，也就是哪个东西是操作对象、要放到哪个区域、动作的先后顺序是什么，以及做到什么样才算完成。

浇水的六个阶段。上排是人用黑色细嘴壶浇水，下排是机器人把抓持、朝向、倾斜的关系映射到绿色浇水壶上

执行时，这份上下文和当前画面、语言指令、机器人状态拼在一起，逐token生成判断和动作。

GLOW还能结合当前的实时观察，把你昨天的教学融入当下的自回归生成中。

它会自主规划路线，避开茶几上的水杯，打开盒子。你还可以用语言随时调整目标和做法。

能这么干，前提是大脑和双手在同一个模型里。

行业里常见的VLA路线，把视觉大模型当个编码器，外接一个动作模块，中间要做复杂的表示转换。

WAM路线则要先生成一段未来的逼真视频画面，再输出动作，计算开销很大。

GLOW的核心KnowinGlow是一个原生统一的自回归模型，把视觉、语言、动作编织进同一条序列。

BrainSkill负责空间理解和语义落地，ActSkill负责闭环动作生成，原来分开的大脑和双手，现在是同一个模型里的两项技能。

它的上下文里装着相机的实时RGB-D画面、你说的那句指令、机械臂当前的关节角度和夹爪开合，以及刚才一秒执行了什么动作、得到了什么反馈。

GLOW把这些物理世界的信息像文字一样连缀成一篇长文章，然后顺理成章地续写出下一个动作。

物理推理测试。图中彩色线条是候选动作轨迹，问为了烹饪番茄该选哪组顺序，模型答：切番茄、打开炉火、揭开锅盖、倒油、放入番茄

续写出来的也不是move_to(cup)这种模糊指令。

模型直接生成末端执行器的三维位姿、相对平移与旋转增量，以及夹爪的开合控制，精准到毫米。

目标点定位测试。左：把橙色积木放到绿色积木上，模型给出目标点[[368,664]]；右：在蓝色杯子与青色碗之间的空闲区域标出位置，模型给出[[534,800]]

而诺因选择这条路线，看中的不只是教一遍就会，还有统一建模与持续学习的长期价值。

而GPT-6 Astra在操作机器人上的最新进展，则进一步佐证了诺因长期坚持的自回归技术路线。

Harness系统与闭环反馈：给机器痛觉和记忆

学会了，还得做得成。真实的物理世界里，抽屉可能卡住，杯子也可能从夹爪里滑出去，光有计划不够。

这一点上，诺因直接把刚被Brockman叫作AGI的GPT-6 Astra拉进了同一个仿真厨房。

结果，号称AGI的GPT-6，卡在了一个抽屉上。只因它不知道自己的手有没有被挡住。

但GLOW知道。它有一套叫Harness的任务运行系统，每做一个动作都会拿到一份执行回执。

比如系统下达向柜体走24.3毫米，回执显示实际只走了1.6毫米。

位移残差一出来，系统立刻明白遇到物理阻力了。这个受阻结果连同夹爪状态和新画面一起进入下一轮上下文。

大脑随即决定，是继续用力，还是换个姿态重来。

同样的任务、同样的起点，让GLOW和GPT-6 Astra各做一遍，差别就出来了。

开柜子最底层的抽屉，GPT-6 Astra手伸过去拉开的是上面那层，纠正了1200步，底层抽屉还是关着的。

GLOW靠回执发现受阻，换成水平接近、夹爪对角闭合，1138步，开对了。

开最底层抽屉。左：GPT-6 Astra，1200步没开开；右：GLOW，1138步开对（录像加速10倍）

抓瓶放碗，GPT-6 Astra折腾了863步，瓶子和碗还差3.4厘米，判定阈值是3厘米。

GLOW 157步，间距6.9毫米。

抓瓶放碗。左：GPT-6 Astra，863步（加速7倍）；右：GLOW，157步

靠近瓶颈、碗沿或抽屉把手时，GLOW会切换成每次只动5毫米的有界小幅移动，两次微调之间重新看一眼。

抓住杯子之后它也不会直接走，而是先请求抬升30毫米，看物体是否跟着夹爪动，确认夹牢了才进入搬运。

开抽屉前也会试拉，确认牵引力已经建立。

这种物理试探，像极了人类的本能。

GPT-6 Astra控机器人并不弱。Robocurve把它接上双臂，积木入碗20次成了19次，全网刷屏。

但同一份测试的后半截，毫米级的拼图入槽，20次只成了2次。

看懂任务，和能完成任务，中间隔着一只有痛觉的手。

终极杀器：RSI，机器左脚踩右脚进化

通用大模型的路线是采集海量人类数据、训练、发布、再采集。

可在非标、复杂的每个用户家庭里，很难去采集海量数据。

GLOW的解法是自己造数据。

造数据的引擎叫KnowinDream。它按户型、家具和物品生成一个个虚拟家庭，再往里安排各种事件，比如家人把杯子挪走，或者在机器人搬东西的时候从旁边经过。

KnowinDream按提示词连续改场景：换光照、换成赛博朋克霓虹、再换成中式餐厅

真机跑出来的经验也会喂给它。X1逗猫成功了，或者抓杯子滑了一下，这些成功、失败与恢复的过程都会回流到KnowinDream。

它把当时的场景重建出来，再扩增成更多相似的情况，交给KnowinWorld推演验证。

KnowinWorld · 双臂模拟交互。场景、任务、多视角与动作结果构成连续具身经验

到现在，KnowinDream已经生成了大约200M条这样的数据。

KnowinWorld不需要耗费巨大算力去生成视频画面，它只做纯粹的物理状态推演。

这样它能在极低成本下，在脑内进行千百万次试错。

叠碗任务

最关键的一步是校准进化机制本身。

机器人真实执行的结果，会与 KnowinWorld 之前的预测对照，偏差用来持续校准模型。这些真实反馈也会回流到数据生成链路，修正合成数据、标签与筛选标准。

更强的基模，会生成更准确的数据与标签；更高质量的数据，又会训练出更强的下一代基模。新的基模再反过来提升下一轮数据生成、标注和验证的质量。

由此形成模型变强 → 数据变好 → 下一代模型更强 → 数据进一步变好的递归增强闭环。

诺因把这叫面向物理世界的递归自我改进（RSI）：改进后的模型，会反过来增强下一轮自我改进的能力。

安全闸门也设在这一环。每一次能力升级，都要先在世界模型里验证，通过任务完成率、恢复率与安全回归三道检查才会实装。

一旦发现退步，立刻回滚。

物理世界的AGI，不再是通用大模型的独角戏

诺因不打算让机器人一进家门就什么都能做。他们会先从有限、高频、能验证安全的任务切入。

家里有老人、儿童、宠物（比如开头那只猫）、明火和化学品，安全是准入门槛。

门槛之上，决定谁能真正走进千家万户的，是一教就会这种交付方式。

工程师不用上门采集数据、重新微调，你演示一遍就行。

2026年的这个9月，GPT-6 Astra证明了通用大模型的认知能力已经触及物理世界的边缘。

GLOW则走通了另一条路。

架构统一到自回归，世界模型不追求画面逼真、只求决策有用，数据也从被动采集变成真实执行回流的RSI闭环。

从陪猫玩新玩具，到收纳你独有的私人物品，一教就会打通了从流水线工具到个性化家庭专属管家的最后一公里。

X1折叠起来收纳高度不到40厘米，计划明年发布。

到时候，你想让它说什么、怎么擦桌子，教一遍就行。