一分钟读论文：《G0.5：单流自回归统一机器人推理与动作》
内容提要
银河通用发布G0.5模型，采用单一自回归流同时处理推理与动作，替代主流VLA架构中VLM仅作编码器、另配动作专家的设计。该模型通过跨本体动作tokenizer、原生思维链和视觉记忆模块，实现推理与动作共享权重。真机微调成功率76.7%，优于π0.5和GR00T-N1.7，但BEHAVIOR基准绝对成功率仅31.4%，实验样本量小，评测协议多样，需谨慎看待。
延伸解读
架构变革的意义
G0.5的核心变化在于将VLM从上下文编码器转变为直接决策者，推理与动作共享同一套权重。这意味着VLM预训练获得的指令跟随能力可以直接迁移到物理行为上，模型对指令的遵循更紧密。相比主流VLA配方中VLM仅作编码器、另配动作专家的设计，这是架构层面的改变，而非训练技巧，为机器人策略设计提供了新思路。
跨本体动作tokenizer的价值
G0.5通过跨本体可学习动作tokenizer，将14种本体的异构机器人动作映射到共享词表，统一为27维动作空间。这使得不同机器人的动作可以用同一套token表示，增强了模型的泛化能力。对于多机器人协作或迁移场景，这种统一表示可能降低适配成本，但论文未提供跨本体迁移的详细实验，实际效果仍需验证。
评测结果的谨慎解读
虽然G0.5在真机微调成功率上达到76.7%，超过π0.5和GR00T-N1.7，但需注意真机实验每配置仅15 episodes、共4个任务，样本量偏小且为团队自报数据。BEHAVIOR基准绝对成功率仅31.4%，说明长程家庭任务远未解决。此外，7个评测设置混合了不同协议，横向可比性有限，读者应谨慎看待这些数字。
Q&A
G0.5模型的核心架构创新是什么？
G0.5采用单一自回归流，在同一token流中同时输出推理与动作，替代了主流VLA架构中VLM仅作编码器、另配动作专家的设计，使VLM直接成为决策者。
G0.5模型由哪些关键组件构成？
G0.5由三个组件支撑：跨本体可学习动作tokenizer（将14种本体的异构动作映射到共享词表）、原生思维链流（推理token与动作token交替出现在同一自回归序列中）、视觉记忆模块（通过视觉编码器注入数秒级历史观测）。
G0.5在真机实验中的成功率是多少？与π0.5和GR00T-N1.7相比如何？
G0.5在真机微调后的成功率为76.7%，高于π0.5的53.3%和GR00T-N1.7的24.4%。
G0.5在BEHAVIOR基准上的表现如何？
G0.5在2025 BEHAVIOR Challenge中取得31.4%的绝对成功率，超过π0.5的26.3%和冠军方案RLC的26.1%，但绝对成功率仍较低，表明长程家庭任务远未解决。
G0.5的推理与动作是如何结合的？
G0.5通过原生思维链流实现推理与动作的结合，推理token（如任务分解、物体定位）与动作token交替出现在同一自回归序列中，由单一目标函数训练，推理成为动作生成过程的一部分。
G0.5模型有哪些局限性？
G0.5的局限性包括：BEHAVIOR基准绝对成功率仅约31.4%，长程家庭任务仍困难；真机实验样本量小（每配置仅15 episodes，共4个任务），且为团队自报数据；评测协议多样，横向可比性有限。
G0.5模型权重是否开放？
是的，G0.5模型权重已开放，为社区验证这一路线提供了可复现起点。
