💡
原文中文，约4300字，阅读约需11分钟。
📝
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。
➡️
