GPT-6之后，具身智能走向何方？诺因发布GLOW技术报告，给出机器人“一教就会”的答案
内容提要
诺因发布GLOW生成式学习架构，使机器人通过一次人类演示即可跨物体、环境和任务复用技能。该架构采用统一多模态自回归模型协同认知与行动，在RoboDojo、LIBERO-Pro和Embodied Arena三项评测中均排名第一，验证了自回归具身智能路线。
延伸解读
GLOW如何实现“一教就会”
GLOW通过统一多模态自回归模型KnowinGLOW，将视觉理解、空间推理、任务规划与动作生成整合在同一模型内，而非模块拼接。人类演示一次后，系统将操作编码为可复用技能，执行时结合环境、机器人状态和历史反馈实时决策，无需重新训练。这使机器人能跨物体、环境、任务复用技能，如换盒换物、换壶浇水等。
四大模块协同的完整链路
GLOW由KnowinGLOW、KnowinDream、KnowinWorld和KnowinAgent四大模块组成。KnowinGLOW是核心大脑，统一认知与动作；KnowinDream合成多样化物理交互经验；KnowinWorld推演动作后果，预判风险；KnowinAgent管理任务进度与动态调整。四者协同形成从经验学习、任务理解到行动反馈的闭环，支撑长程任务连贯执行。
评测表现与路线验证
GLOW在RoboDojo、LIBERO-Pro和Embodied Arena三项评测中均排名第一。RoboDojo平均成功率62.2%，较GPT-6基线高40个百分点；LIBERO-Pro平均成功率86.7%，较GPT-6 Astra提升28.5个百分点；Embodied Arena综合得分65.62，位列20个模型第一。这些结果验证了自回归具身智能路线的有效性，表明统一架构能协同认知与行动。
对具身智能行业的启示
GLOW的发布回应了GPT-6等通用大模型对具身智能的冲击。行业共识认为自回归架构正成为收敛方向，竞争核心转向数据与学习方式。诺因坚持用规模化物理经验训练模型，以统一架构协同认知与行动，以闭环执行适应环境变化。这提示从业者，高质量物理经验和生成式学习能力可能比单纯扩大模型规模更关键。
Q&A
GLOW是什么？它主要解决机器人学习中的什么问题？
GLOW是诺因发布的生成式学习架构，旨在让机器人通过一次人类演示即可实现跨物体、跨环境和跨任务的任务复用，解决传统机器人学习需要重新采集数据、编写固定流程或针对性训练的问题。
GLOW如何实现机器人“一教就会”的能力？
GLOW将人的一次完整操作、当前环境、机器人自身状态与执行历史放在同一条链路中理解，让机器人捕捉物体、空间关系、动作顺序和状态变化，从而从“看过”走向“学会”，拥有跨物体、跨环境、跨任务复用的通用能力。
GLOW架构包含哪些核心模块？各自的作用是什么？
GLOW包含四个核心模块：KnowinGLOW是统一多模态自回归模型，协同视觉理解、空间推理、任务规划与动作生成；KnowinDream是合成具身经验引擎，生成多样化的物理交互经验；KnowinWorld是动作条件下的世界推演模块，预判动作后果和物理约束；KnowinAgent（Harness）是上下文驱动的任务运行系统，管理任务进度、执行反馈与动态调整。
GLOW在哪些评测中取得了领先成绩？具体表现如何？
GLOW在RoboDojo、LIBERO-Pro和Embodied Arena三项评测中均排名第一。在RoboDojo的18项仿真任务中，平均成功率为62.2%，平均得分71.1分，较GPT-6基线分别高出40个百分点和41.3分；在LIBERO-Pro中，平均成功率达到86.7%，较GPT-6 Astra的58.2%提升28.5个百分点，位列单策略模型第一；在Embodied Arena的2D-Embodied QA Benchmarks榜单中，KnowinBrain-1.5以65.62的综合得分位列20个参评模型第一。
GLOW能完成哪些实际任务？请举例说明。
GLOW能完成开盒收纳、浇水、擦桌、调酒等家务工作。例如，在开盒收纳中，即使更换盒子和物品，机器人也能完成全套动作；在浇水中，更换浇水壶后仍能精准迁移动作；在擦桌中，能复现人类的心形擦拭轨迹；在调酒中，能按顺序完成多杯多步骤的复杂流程。
GLOW与GPT-6等通用大模型在具身智能路线上的主要区别是什么？
GLOW采用自回归架构，以规模化物理经验训练模型，以统一架构协同认知与行动，以闭环执行适应环境变化，专注于物理交互和任务执行。而GPT-6等通用大模型拓展智能的知识、理解与推理能力，可能对既有具身智能路线形成冲击，但GLOW在物理任务执行和具身场景理解上表现更优，在多项评测中领先GPT-6。
