量子位
·
Generalist最新长文定调：具身原生才是正道，原力灵机已交卷
内容提要
2026年被称为具身原生元年，Generalist的GEN-1模型强调从零训练，专注于目标导向，摒弃现有技术路线。与原力灵机的DM0模型相似，二者追求数据原生、训练原生和架构原生，旨在实现物理AGI。
关键要点
-
2026年被称为具身原生元年，Generalist的GEN-1模型强调从零训练，专注于目标导向。
-
Generalist否定当前的世界模型与VLA之争，认为技术路线的争论是浪费时间。
-
GEN-1模型的成功率超过99%，完成任务速度比之前的模型快3倍，具备故障恢复能力。
-
Generalist选择不依赖已有技术路线，直接基于真机数据从零开训，追求物理AGI。
-
原力灵机的DM0模型也采用具身原生的逻辑，取得了全球第一的评测成绩。
-
DM0模型的训练数据融合了多模态互联网数据、驾驶数据和具身传感数据。
-
DM0的训练原生性体现在同时训练理解、操作和预测能力，架构设计支持多模态信息。
-
DM0模型在泛化性方面表现出色，能够适应不同对象、场景、任务和机型。
-
2026年可能是具身原生元年，GEN-1和DM0的出现为行业带来了新的方向和思考。
延伸解读
具身原生的行业影响
2026年被视为具身原生元年，Generalist和原力灵机的模型代表了行业的新方向。这种从零训练的方法可能会改变现有的技术路线，促使更多公司重新思考其研发策略，尤其是在追求物理AGI的过程中。
技术路线的选择
Generalist和原力灵机都选择了不依赖现有技术路线的策略，强调目标导向的重要性。这种选择虽然风险较高，但也可能带来更大的创新空间。企业在制定技术路线时，需考虑自身的资源和市场需求，以避免盲目跟风。
数据原生的重要性
DM0模型的成功在于其数据原生性，融合了多模态数据和真实操作数据。这表明，未来的模型训练不仅要关注数据量，更要重视数据的质量和多样性。企业在数据收集和处理时，应注重构建全面的训练数据集，以提升模型的泛化能力。
延伸问答
什么是Generalist的GEN-1模型？
GEN-1模型强调从零训练，专注于目标导向，旨在实现物理AGI。
为什么2026年被称为具身原生元年？
因为GEN-1和原力灵机的DM0模型的出现，标志着具身智能领域的新方向。
GEN-1模型与DM0模型有什么相似之处？
两者都追求数据原生、训练原生和架构原生，旨在实现物理AGI。
GEN-1模型的成功率和任务完成速度如何？
GEN-1模型的成功率超过99%，完成任务速度比之前的模型快3倍。
DM0模型的训练数据来源是什么？
DM0模型的训练数据融合了多模态互联网数据、驾驶数据和具身传感数据。
为什么Generalist选择不依赖已有技术路线？
因为他们认为微调别人的模型会限制创新，选择从零训练以追求更高的目标。
