早晨，你還沒睜眼，灶底1裏已經傳來輕微的碰瓷聲。

推門出去，機器人管家X1站在餐桌旁，你沒說話，它就把把椅子輕輕拉開了一點。

你把門一關，它轉身走向客廳，捏起那根逗貓棒。

貓伏低身子，尾巴一下一下拍地。逗貓棒上的羽毛剛晃到半空，貓就躥起來撲了過去。

最後一瞬，X1把手臂一抬，貓爪擦着空氣劃了過去。它的手腕又輕輕一抖，羽毛蕩回貓鼻尖，貓翻身再撲，它再躲開。幾個回合下來，它已經摸透了這隻貓的脾氣。

晚上你推開門，一句我回來啦還沒落地，X1已經夾着拖鞋迎上來，送上專屬問候：公主，請換鞋。

這就是大家夢寐以求的個性化家庭服務——一個能夠適應你的習慣、理解你的家庭環境、為你量身定製服務的機器人管家。

但逗貓的手法、回家的迎接儀式——每家每戶都不一樣。這些東西出廠時預裝不了，也窮舉不完。

最簡單的辦法，是你親自演示一遍給它看。看完，它就會。

為此，諾因（Knowin）發布了生成式學習框架GLOW（Generative Learning of World）。

原文鏈接：https://knowinai.com/tech.html

他們認為機器人能否走進千家萬戶，關鍵在於機器人理解人的技能、泛化執行。

這背後就是他們獨特的判斷：

家庭場景的商業化不會從通用能力開始，而會從有限、高頻、可驗證的任務集合切入。

而且家中有老人、兒童、寵物，有明火和化學品，安全是進入家庭的准入門檻，而不是加分項。

話不多說，我們先看一下一教就會效果如何。

一教就會，這纔是你想要的專屬管家

諾因公布了四組實機對照，每組左邊是人的操作過程，右邊是機器人學完之後自己做。

第一組是開盒收納。

人示範的時候收的是一樣東西，但機器人執行的時候，要收的物品換了另一種。

它先開蓋，並且能夠泛化識別物品和位置發生變化，再把東西放進盒子，最後合蓋，一氣呵成。

左：人展示開盒收納；右：機器人換了物品照做（加速4.5倍）

請注意，動作只教了一次，機器人需要利用現場反饋完成每個階段，成功將收納這一動作泛化到多種物體和位置。

第二組是澆花。

人用的是黑色細嘴壺，但機器人手邊只有一把綠色澆水壺。

壺的大小、顏色、位置發生變化，但它能夠準確認出，把從人的操作中學到的抓持、朝向和傾斜關係用到這把壺上，澆完再放回去。

左：人用黑色細嘴壺澆水；右：機器人換成綠色澆水壺照做（加速3.5倍）

也就是說，機器人學會的是執行澆花這一任務，而不是簡單重複看到的教學動作，能夠適應場景中的變化。

第三組是擦桌子，也是最有意思的一組。

人拿着抹布，沿心形軌跡擦了一遍，機器人學完，也擦出了一個心形。

左：人沿心形軌跡擦桌；右：機器人復現（加速3.5倍）

它把擦桌子這個目標和怎麼擦這個人的習慣一起學走了。公主，請換鞋這種梗，靠的就是這個。

第四組是調酒。

桌上擺着好幾個杯子，人先按順序倒了一遍，讓機器人看清先倒哪杯、再倒哪杯。

機器人學完，雖然位置順序變了，但準確識別物品，依次取杯、傾倒、回正、放回，把多個步驟接成了一套完整的流程。

左：人依次取杯調酒；右：機器人復現完整流程（加速12倍）

四組任務，模型權重沒有動過一個參數。看過人的操作過程，機器人就能上手，一教就會，並且能泛化到更多位置、物品和場景。

在任務中，AI要協同調用多種能力：識別對象與動作，定位操作目標，判斷交互結果，規劃下一步。

此外，模型還要具備對物體和位置的泛化能力。

在諾因測試中，GLOW能力斬獲三個排行榜第一，用數字也證明了其泛化能力之強。

在RoboDojo的18項複雜任務裏，GLOW平均成功率62.2%，而 GPT-6(Robocurve)是22.2%,提升了40個百分點。

在專治「背題」的LIBERO-Pro上，GLOW成績為86.7%，GPT-6 Astra只有58%，單模型這一檔86.7的平均分排第一。

在 Embodied Arena 的 2D-Embodied QA Benchmarks 排行榜中，在 20 個具身模型中，GLOW以 65.62 的綜合得分勇奪第 1，脫穎而出。

核心解密：原生自迴歸纔是行業最優解

機器人觀看人的操作視頻時，用一個技能編碼器把連續的視覺經驗壓成一份可複用的技能上下文。

它提取的是任務結構，也就是哪個東西是操作對象、要放到哪個區域、動作的先後順序是什麼，以及做到什麼樣纔算完成。

澆水的六個階段。上排是人用黑色細嘴壺澆水，下排是機器人把抓持、朝向、傾斜的關係映射到綠色澆水壺上

執行時，這份上下文和當前畫面、語言指令、機器人狀態拼在一起，逐token生成判斷和動作。

GLOW還能結合當前的實時觀察，把你昨天的教學融入當下的自迴歸生成中。

它會自主規劃路線，避開茶几上的水杯，打開盒子。你還可以用語言隨時調整目標和做法。

能這麼幹，前提是大腦和雙手在同一個模型裏。

行業裏常見的VLA路線，把視覺大模型當個編碼器，外接一個動作模塊，中間要做複雜的表示轉換。

WAM路線則要先生成一段未來的逼真視頻畫面，再輸出動作，計算開銷很大。

GLOW的核心KnowinGlow是一個原生統一的自迴歸模型，把視覺、語言、動作編織進同一條序列。

BrainSkill負責空間理解和語義落地，ActSkill負責閉環動作生成，原來分開的大腦和雙手，現在是同一個模型裏的兩項技能。

它的上下文裏裝着相機的實時RGB-D畫面、你說的那句指令、機械臂當前的關節角度和夾爪開合，以及剛纔一秒執行了什麼動作、得到了什麼反饋。

GLOW把這些物理世界的信息像文字一樣連綴成一篇長文章，然後順理成章地續寫出下一個動作。

物理推理測試。圖中彩色線條是候選動作軌跡，問為了烹飪番茄該選哪組順序，模型答：切番茄、打開爐火、揭開鍋蓋、倒油、放入番茄

續寫出來的也不是move_to(cup)這種模糊指令。

模型直接生成末端執行器的三維位姿、相對平移與旋轉增量，以及夾爪的開合控制，精準到毫米。

目標點定位測試。左：把橙色積木放到綠色積木上，模型給出目標點[[368,664]]；右：在藍色杯子與青色碗之間的空閒區域標出位置，模型給出[[534,800]]

而諾因選擇這條路線，看中的不只是教一遍就會，還有統一建模與持續學習的長期價值。

而GPT-6 Astra在操作機器人上的最新進展，則進一步佐證了諾因長期堅持的自迴歸技術路線。

Harness系統與閉環反饋：給機器痛覺和記憶

學會了，還得做得成。真實的物理世界裏，抽屜可能卡住，杯子也可能從夾爪裏滑出去，光有計劃不夠。

這一點上，諾因直接把剛被Brockman叫作AGI的GPT-6 Astra拉進了同一個仿真灶底1。

結果，號稱AGI的GPT-6，卡在了一個抽屜上。只因它不知道自己的手有沒有被擋住。

但GLOW知道。它有一套叫Harness的任務運行系統，每做一個動作都會拿到一份執行回執。

比如系統下達向櫃體走24.3毫米，回執顯示實際只走了1.6毫米。

位移殘差一出來，系統立刻明白遇到物理阻力了。這個受阻結果連同夾爪狀態和新畫面一起進入下一輪上下文。

大腦隨即決定，是繼續用力，還是換個姿態重來。

同樣的任務、同樣的起點，讓GLOW和GPT-6 Astra各做一遍，差別就出來了。

開櫃子最底層的抽屜，GPT-6 Astra手伸過去拉開的是上面那層，糾正了1200步，底層抽屜還是關着的。

GLOW靠回執發現受阻，換成水平接近、夾爪對角閉合，1138步，開對了。

開最底層抽屜。左：GPT-6 Astra，1200步沒開開；右：GLOW，1138步開對（錄像加速10倍）

抓瓶放碗，GPT-6 Astra折騰了863步，瓶子和碗還差3.4釐米，判定閾值是3釐米。

GLOW 157步，間距6.9毫米。

抓瓶放碗。左：GPT-6 Astra，863步（加速7倍）；右：GLOW，157步

靠近瓶頸、碗沿或抽屜把手時，GLOW會切換成每次只動5毫米的有界小幅移動，兩次微調之間重新看一眼。

抓住杯子之後它也不會直接走，而是先請求抬升30毫米，看物體是否跟着夾爪動，確認夾牢了才進入搬運。

開抽屜前也會試拉，確認牽引力已經建立。

這種物理試探，像極了人類的本能。

GPT-6 Astra控機器人並不弱。Robocurve把它接上雙臂，積木入碗20次成了19次，全網刷屏。

但同一份測試的後半截，毫米級的拼圖入槽，20次只成了2次。

看懂任務，和能完成任務，中間隔着一隻有痛覺的手。

終極殺器：RSI，機器左腳踩右腳進化

通用大模型的路線是採集海量人類數據、訓練、發布、再採集。

可在非標、複雜的每個用戶家庭裏，很難去採集海量數據。

GLOW的解法是自己造數據。

造數據的引擎叫KnowinDream。它按戶型、傢俱和物品生成一個個虛擬家庭，再往裏安排各種事件，比如家人把杯子挪走，或者在機器人搬東西的時候從旁邊經過。

KnowinDream按提示詞連續改場景：換光照、換成賽博朋克霓虹、再換成中式餐廳

真機跑出來的經驗也會餵給它。X1逗貓成功了，或者抓杯子滑了一下，這些成功、失敗與恢復的過程都會迴流到KnowinDream。

它把當時的場景重建出來，再擴增成更多相似的情況，交給KnowinWorld推演驗證。