2026 年 10 月，智元联合北京大学 DA Group、CocoMatrix 团队发布 ViGAR（Visual Goal-conditioned Action Reasoning，视觉目标条件动作推理）。它是首个面向全尺寸人形双足机器人的完整世界-动作模型（World-Action Model, WAM），已在真实的全尺寸人形双足机器人 A2 平台上完成多步骤操作验证。在 RoboTwin 2.0 排行榜仿真评测中，ViGAR 发布时曾登顶榜单，截至发稿位列总榜第三（该榜单实时更新），让“全尺寸人形双足机器人能做什么”有了可复现的答案。
一、为什么需要全尺寸人形上的 WAM？
当前，世界 — 动作模型（WAM）研究正在向真实机器人操作拓展，但面向全尺寸人形双足平台、同时公开长时程操作验证与研究资源的工作仍相对有限。如何让模型在真实人形机器人上组织并执行连续作业，是这一方向值得深入探索的问题。
给文件盖好章再递到人手里，把桌上散落的垃圾一件件收进垃圾桶，从双层蒸笼里逐层取出馒头摆进盘中，这些看似日常的动作，背后涉及多个环环相扣的操作阶段：模型既要完成当前动作，也要根据任务进度决定下一步如何推进。
ViGAR 围绕长时程连续作业这一难题，以智元 AgiBot A2 全尺寸人形双足机器人为平台，开展真实双臂操作验证。
二、仿真与真机：双线领先
仿真评测：RoboTwin 2.0 Clean2Random 曾登顶榜单
ViGAR 在 RoboTwin 2.0 仿真评测的 Clean2Random 基准上取得 Clean 82.00%、Random 67.02% 的成功率，平均成功率 74.51%，超越最强基线 12.81 个百分点，发布时曾位列榜单第一；该榜单实时更新，截至发稿（2026 年 10 月）位列总榜第三。
RoboTwin 是全球主流的端到端操作评测平台之一，堪称考察泛化能力的 " 硬核考场 "：所有模型只能用干净场景中的同一份示范数据训练，却要在摆满杂物、背景、光照和桌面高度随机变化的场景中接受 50 项任务测试，其中包括整理台面、积木排序等多步骤长程任务。榜单上汇聚了 π0.5（Physical Intelligence）、Xiaomi Robotics-0（小米）、GigaBrain-0.7（极佳科技）、GalaxeaVLA（星海图）等国内外主流公司和团队的工作。
注：上表为论文所对比方法的排名；RoboTwin 2.0 官方榜单实时更新，ViGAR 发布时曾登顶，截至发稿（2026 年 10 月）总榜排名第三。
在物体位置随机化、布局无法从训练数据中记忆的测试场景下，ViGAR 以 67.02% 的成绩在榜单中名列前茅，50 项任务里有 13 项拿到全榜最高分，多于 GigaBrain 的 11 项，PatchWAM、UniWAM 的 10 项，ME-Dex 的 9 项。当任务不再能靠“背答案”完成时，ViGAR 凭借其子目标规划能力异军突起。
真机实验采用两条 7 自由度机械臂、两台腕部相机和一台前置相机；研究团队使用约 900 小时的同平台遥操作数据进行中期训练，覆盖 752 项任务、200 余种物体和 10 余种背景，再通过任务示范开展后训练。五项长时程任务各包含 3—5 个顺序子阶段、各开展 20 次测试，以“任务进度”衡量完成情况 —— 这一指标记录顺序阶段的完成比例，能够区分机器人仅完成前几步与完成整项任务的表现。
在 AgiBot A2 全尺寸人形机器人上，ViGAR 对五个长时序组合任务进行真机评测，平均任务完成进度达到 0.69，领先 π0.5（0.60）和使用相同数据配方，但无子目标规划的 Cosmos3-Nano-Policy（0.54）。
ViGAR 在 5 个任务中的 4 个取得最高分，平均领先 π0.5 约 9 个百分点的进度值。
三、核心突破：让 WAM 学会“先规划，再执行”
与现有 WAM 路线的根本差异
当前 WAM 领域存在两条路线：
路线一（主流）：直接使用现成的视频生成模型作为世界模型，再外接动作预测模块。论文指出，这类方案缺乏显式的子任务级推理，世界预测和动作能力如何从具身数据中习得的过程被黑箱化。且在长程任务中，容易在子任务与子任务之间丢失进度。
路线二（ViGAR 所走）：重新设计面向具身操作的分层架构。ViGAR 将长时序操作分解为两个模块：子目标规划器和子目标执行器，两者共享一个预训练世界模型表征。
ViGAR 的核心思路是“先想清楚下一步要变成什么样，再去执行”。
传统的动作模型“看到什么就做什么”—— 观测直接映射到动作。而 ViGAR 的子目标规划器先根据当前画面和语言指令，预测“下一个子任务完成后场景应该是什么样子”（visual subgoal），再由执行器基于这个子目标生成未来画面和动作序列。
这种分解带来了三个关键优势：
1. 长时序组合操作的显式推理
一个“从蒸笼取包放到盘子里”的任务包含开盖、夹取、转移、放置等多个子任务。传统 WAM 试图一步到位生成全程动作，在子任务切换处容易崩溃。ViGAR 的规划器逐个子任务生成视觉目标，执行器逐段执行，即使任务包含多个顺序阶段，也能按阶段逐段推进。
2. 上下文学习（In-Context Learning）：一张目标图就能改变行为
与 Zero-WAM、GEN-1.5 等依赖人类示范视频的上下文学习路线不同，只需向 ViGAR 的子目标规划器提供一张全局目标图片作为上下文，模型就能自行拆解相应的子任务，引导机器人完成训练中从未见过的任务组合。
例如，训练数据中只见过“把 2 个物品放进盘子”，测试时给出“放 3 个物品”或“只放 1 个”的目标图片，ViGAR 能够自动分解出新的子任务序列并执行。
在上下文学习评测中，桌面物品收纳任务域内（2 个物品）进度 0.83、域外（1 或 3 个物品）0.52；水果摆放任务域内 0.72、域外 0.43。
3. 共享世界模型表征，规划与执行互相增益
子目标规划器和执行器共享预训练的世界模型表征（基于 Cosmos3-Nano 的 reasoner-generator 骨干网络），意味着物理常识知识在“想”和“做”之间流通 —— 规划器生成的子目标更符合物理可行性，执行器在动作生成时也更能理解“为什么要这样做”。
训练技术创新：子目标监督信号的一致性
子目标前瞻：ViGAR 把每个子任务最后一段的画面直接对准下一个子目标来监督，让规划器在当前步骤快完成时就提前看向下一步，避免进入新任务后又回退。
末端执行器 ROI 加权：ViGAR 将专家轨迹中末端执行器的位置投影到相机视角，训练时对操作区域进行重点监督。
消融实验证明，去掉两个技术，使模型的表现下降约 12 个百分点。
从 RoboTwin 2.0 仿真评测到 A2 真机操作，ViGAR 给出的答案是一致的：让机器人先想清楚“下一步场景应该是什么样”，再逐段执行，长时程作业就能稳定推进。以视觉子目标规划重构世界-动作模型架构，这套“先规划、再执行”的思路，为全尺寸人形机器人开展连续作业提供了一个可复现、可验证的范式。
目前，研究团队已公开研究论文、RoboTwin 评测代码与模型权重及训练代码与数据；后续计划将 ViGAR 应用于 A3 平台，进一步开展模型适配与真实作业验证，并推进约 900 小时 A2 真机采集数据的开放。随着代码、模型与数据的持续开放，更多研究者可以在此基础上复现结果、参与改进，而在这条让机器人真正干活的路径上，智元的机器人技能训练平台 HERA 已经先行一步：采集、训练、部署一体化，非算法背景的操作者也能快速教会机器人一项新技能，让机器人“当天入职”。模型在前沿探索，平台在工程落地，全尺寸人形机器人从“能行走”走向“能干活”的图景正变得愈发清晰。
开源入口：
技术报告：https://arxiv.org/abs/2610.02368
代码：https://github.com/DAGroup-PKU/ViGAR
权重 & 数据：https://huggingface.co/DAGroup-PKU/ViGAR
免责声明：本文为本网站出于传播商业信息之目的进行转载发布，不代表本网站的观点及立场。本文所涉文、图、音视频等资料之一切权力和法律责任归材料提供方所有和承担。本网站对此咨询文字、图片等所有信息的真实性不作任何保证或承诺，亦不构成任何购买、投资等建议，据此操作者风险自担。
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家包含外链的文章均包含本声明。