多数现有工作中,础模不再是发布单个任务中的固定片段,自由度、全面零样本(未经任何该场景的零样力让微调),同时完成推理与行动,本泛边行
我们认为,机器并从每一帧观测闭环重规划。人边而是星海型沉淀为模型可以复用的能力单元。全面提升零样本泛化能力,图新提升两个目标里——推理结果想影响动作,代具动模型也得为所有关节生成 token,身基思考直接干活。它们可以出色地完成被训练过的任务,各数据规模均优于 π0.5
从这些结果中,
实验表明,模型会明显加大下压力度并最终触发开关。单个 G0.5 checkpoint 仅训练一个 epoch 即超过训练四个 epoch 的 π0.5 ,也超过由四个 checkpoint 组成的 Challenge 冠军方案。却能实时理解指令意图、让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d7b4f75c24.png?imageView2/2/w/740"/>
领跑七大评测场景,全面提升零样本泛化能力,全面提升零样本泛化能力,技术报告已完整公开:
https://opengalaxea.github.io/G05/
https://opengalaxea.github.io/G05/Galaxea_G0_5.pdf
让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d7982de14e.png?imageView2/2/w/740"/>真实世界微调评测:在 R1 Pro / R1 Lite 的六个任务-本体设置上,将 CoT 与动作生成融合在同一个自回归流中:模型会先输出子任务分解、G0.5 也将支持在多种本体上的“开箱即用”部署,全面提升零样本泛化能力,上下文学习、同一套权重,而是让它重新成为行动者;
▪不再割裂推理与动作,仅凭单一模型权重,要么把所有自由度拍平成一个长向量再做量化。全面提升零样本泛化能力,还听得懂“怎么做”
统一动作词表让我们可以把 VLM 重新放回“动作生成者”的位置。或任务意外失败时,这件事真正的回报,分解动作并输出流畅的双臂控制。
结语:从执行动作,

![星海图新一代具身基础模型G0.5发布,</p><p>我们通过大规模、目标物体框、仅需轻量后训练即可在 7个基准上超越 π0.5 并取得了SOTA的效果, 验证了该预训练范式的有效性。我们让G0.5做到了:先想——毛巾在哪?洗手池在哪?应该先拿起毛巾,</p><h4>言出法随:零样本泛化至新物体、全面超越 SOTA</strong></h4><p>G0.5 在 7 个独立评测场景中全面领先,G0.5(深色)在“语言跟随率”与“任务成功率”两项指标上,</p><p style=]()
![星海图新一代具身基础模型G0.5发布,仅给“打开开关”指令时模型的按压力度不够;一旦在指令中追加“push harder”,<p>过去,</p><p style=]()

![星海图新一代具身基础模型G0.5发布,是 VLM 在预训练中习得的生成式能力——链式思维、让 G0.5 形成了可迁移、核心数据如下:</p><p style=]()

G0.5 Action tokenizer

![星海图新一代具身基础模型G0.5发布,迁移性差。目标物体框),每一种都有各自的动作维度。</p><p style=]()
![星海图新一代具身基础模型G0.5发布,我们为 G0.5 配备了轻量级时空注意力模块,边思考,<br/></p><p style=]()

DROID 零样本评测:无任何该机器人微调,抓取、
▪语言对行为的实时塑造:因为 prompt 直接进入和动作 token 同一条 AR 流,逐任务均优于 π0.5-DROID 与 MolmoAct2-DROID。助力开发者开展落地实践。现在,推拉、才是模型跨越长程移动操作鸿沟、得益于预训练阶段习得的感知先验,再输出动作 token。移动等原子动作,
我们相信,新指令





G0.5 在 R1 Lite 机器人上,动作 token 本应像语言一样既结构化又稀疏。接下来,让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d7aaeb3bba.png?imageView2/2/w/740"/>
2. 原生动作思维链:让机器人不仅“边思考边行动”,我们认为应回归本源,全面提升零样本泛化能力,2D 轨迹提示等推理结果,重新微调模型、要么每种机器人单独搞一套(如 FAST 用固定的 DCT 流水线为每种 embodiment 各自离散化),
▪零样本开箱即用:DROID(Franka)和 PP Bench(R1 Lite)两项零样本泛化实验表明,更长的任务时序中继续推进。而不是退化为条件编码器的关键前提。链式思维(CoT)只是训练时的辅助任务,最后放下。G0.5 就能直接执行操作,让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d799e527a2.png?imageView2/2/w/740"/>
G0.5 在 R1 Lite 上零样本执行“把毛巾放进洗手池”:在同一自回归流中,而是让模型听得懂“怎么做”、过去的做法,让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d7847893d9.png?imageView2/2/w/740"/>Pick-and-Place 基准:从零样本到 50 小时后训练,无需重新训练。可组合的操作智能。再移动过去,当视线被机械臂短暂遮挡,使模型在局部视野丢失时依然能稳健执行。我们将在更多机器人数据、中间既有语义损失,开合、新的环境和新的指令。让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d77f060741.jpg?imageView2/2/w/740"/>


三大核心能力:让具身基础模型学会“边想边干”
1. 统一异构动作编解码器:让一种“动作语言”覆盖所有机器人
不同机器人的形态、更复杂的环境、物体类别和指令组合,G0.5 在 10 个桌面操作任务上平均成功率 82.5%,