10月29日，智元机器人正式推出其集大成之作——具身模型GO-3 Preview。作为一款实现预训练、后训练、部署后全链路规模化学习的模型，GO-3 Preview基于具身原生架构WRAM，将任务推理、未来预测与动作生成紧密连接，旨在让机器人不仅能“会想”，更能“会做”。该模型已在RoboDojo、RoboTwin、RoboColiseum三大行业权威评测榜单中名列前茅，并计划于2026年底全面开源。
大语言模型在知识推理上虽突飞猛进，但物理世界的作业不仅需要“会想”，更需要“会做”。精细抓取、零件装配等任务，要求机器人不仅理解任务指令，更要预判环境变化、处理接触受力、输出精准的实体动作，这正是具身智能不可替代的主场。
在预训练阶段，GO-3 Preview致力于建立通用能力，让机器人面对不同物体、不同场景时能举一反三。基于WRAM架构，模型从数据与模型两个维度共同推进Scaling。输入端，VLM推理与CoAE控制向编码大幅降低动作恢复误差；决策端采用单步预测未来，先预测后果再生成动作；输出端通过KASO筛选与真实动作相容的候选结果。CoAE提取面向控制的视觉表征，SVP单步生成完整未来，KASO则确保动作与未来的一致性。结合人类视频经验与机器人轨迹数据，模型展现出强大的零样本与少样本能力，无需额外微调即可完成陌生任务，或在少量示范下完成煎饼果子制作、乐高拼装等精细操作。
有了通用能力并不意味着万事大吉，机器人仍需在虚实交互中不断练习与复盘。在后训练阶段，智元构建了分布式混合环境系统Genie Evolver，依托百台真机、物理仿真与世界模型，实现能力的持续迭代。真机环境通过CEL（群体经验学习）汇聚多机经验，让个体成功被群体复用；物理仿真低成本拓展场景边界；世界模型则允许机器人分叉推演多条未来路径以优化策略。随着经验积累，机器人在桌面冰壶等任务中表现超越人类平均水平，在抽积木塔任务中能连续抽取并保持稳定，实现了用想象补经验的愿景。
进入部署后阶段，机器人将面临训练时未见过的情况。智元通过Genie Master具身Agent框架，引入具身执行协议EEP，统一能力、引导、反馈和连续性接口，使机器人能够实现“边上岗，边进化”。实现这一目标依赖于两条路径：一是让经验可积累，将成败案例沉淀为长期记忆指导后续任务；二是让能力可固化，将作业轨迹用于继续训练动作策略，使改进保留在模型参数中。搭载该框架的精灵G2在真实便利店上岗时，无需人工干预即可自主定位失败原因、调整策略，单任务成功率从首日的28.6%提升至5天后的85.7%，在挂小挂钩任务上相比常规微调提升17.7个百分点，实现了行业首次在真实业务场景中验证Physical RSI（具身递归自进化）。
从GO-1开创性地提出ViLLA架构，到GO-2首创“动作思维链”，再到GO-3的全链路规模化学习，智元不断拓展具身智能的边界。GO-3 Preview在三大榜单的优异表现，不仅体现了其在通用能力与操作能力上的最新进展，更展现了全链路规模化学习的技术潜力。当数据、反馈与经验形成持续循环，机器人将真正把所学转化为所用，开启从能力建立到能力复用、再到能力进化的完整路径。