一句话看懂： GigaBrain-0.7 不再只把机器人看成“看图 → 直接出动作”的 VLA，而是把整套系统拆成三层：System-2 负责理解与规划，System-3 负责预测未来并判断任务进度，System-1 负责生成连续动作；再用 3.7 万小时异构具身数据和“监督学习 → 离线经验学习 → 在线强化”的闭环，把模型从会模仿推向会预判、会恢复。

WRC 2026 上，极佳视界把 GigaBrain-0.7 最吸睛的一幕做成了“超 20 分钟、10+ 个任务一镜到底”的长程真机演示。

但如果只记住这个 Demo，其实会错过这篇技术报告真正有意思的地方。

GigaBrain-0.7 想回答的是一个更大的问题：

具身基础模型到底能不能像大语言模型一样 Scale？如果能，应该 Scale 什么数据、什么架构，以及什么样的经验闭环？

论文给出的答案不是单纯“把 VLA 做大”，而是两座同时向上堆叠的金字塔：

• 数据金字塔：互联网视觉语言数据、EGO/UMI 真人数据、仿真和生成数据、真机数据；
• 算法金字塔：System-2 理解规划、System-1 动作生成、System-3 世界预测，再叠加 Experience Reinforcement。

这篇文章不照着发布稿逐条复述，而是从论文机制出发，拆开看它究竟做了什么、哪些结果真正有说服力，以及目前还有哪些关键问题没有回答。

---

1. 先看全局：GigaBrain-0.7 到底是什么？

图1| Overview of GigaBrain-0.7.

论文对 GigaBrain-0.7 的总览：左边是跨来源数据，中间是预训练与后训练，右边是真机与仿真能力评测。

如果把传统 VLA 简化成：

图像 + 指令
    ↓
   VLA
    ↓
连续动作

那么 GigaBrain-0.7 想做的是：

                    ┌──────────────────────┐
                    │ System-2：理解与规划 │
                    │ 现在是什么状态？     │
                    │ 下一步应该做什么？   │
                    └──────────┬───────────┘
                               │ subtask / context
                               ▼
图像 + 历史 ───────→ ┌──────────────────────┐
                     │ System-3：世界价值模型│
                     │ 下一阶段可能长什么样？│
                     │ 当前动作是否在推进？  │
                     └──────────┬───────────┘
                                │ future image + value
                                ▼
                     ┌──────────────────────┐
                     │ System-1：动作专家   │
                     │ Flow Matching       │
                     │ 连续动作块生成       │
                     └──────────┬───────────┘
                                ▼
                              机器人

可以把三者理解成一支机器人工作小组：

• System-2 是领班，负责理解任务、拆分子任务；
• System-3 是沙盘推演 + 质检员，告诉策略“如果继续这么干，接下来可能发生什么，以及任务到底有没有在向前推进”；
• System-1 是真正的手脚，负责把高层意图落成连续控制信号。

这里最值得关注的变化，是 World Model 不再只躺在训练数据生成流水线上，而是开始进入策略条件本身。

---

2. 第一座金字塔：37,256.98 小时，真正 Scale 的不是“真机小时数”

图2｜Composition of the GigaBrain-0.7 training corpus.

GigaBrain-0.7 训练轨迹的构成。

论文给出的清洗后具身轨迹总量是：

数据来源	时长	占比
Real Robot 真机数据	20,535.65 h	55.12%
UMI 真人示教	8,251.83 h	22.15%
EGO 第一视角真人数据	2,862.36 h	7.68%
Simulation 仿真	1,453.92 h	3.90%
World Model 生成数据	4,153.22 h	11.15%
总计	37,256.98 h	100%

此外，论文还使用了约 2.72 亿条视觉语言图文 / QA 数据来加强视觉语义理解。

这组数字真正有价值的地方，不是“37,000 小时听起来很大”，而是它反映出一个明确的数据观：

具身 Scaling 不应该只靠昂贵的机器人真机轨迹，而要把不同成本、不同物理真实性的数据放进同一套训练体系。

也就是说，真机数据负责“物理落地”，UMI 和 EGO 负责快速扩充人类操作经验，仿真和生成数据负责覆盖危险、稀有和长尾场景，互联网视觉语言数据则负责补充常识、语言和视觉语义。

这和很多早期 VLA “先收一批机器人数据，再针对任务 fine-tune”不是一个路线。

2.1 为什么 UMI/EGO 数据值得单独看？

传统机器人数据的最大问题是贵。

你需要机器人、本体维护、场地、安全员、遥操作员，还可能因为一次碰撞直接把采集暂停。于是“继续扩大数据量”很快会撞上成本天花板。

GigaBrain-0.7 的思路是，把真人采集做成传感器尽量同构、动作可重定向的数据源。

图3｜ Real-robot data processing pipeline.

论文给出的真机数据处理与标准化流程。

它不是简单把人类视频扔进训练集，而是需要完成：

原始多模态轨迹
  ↓
时间同步 / 标定
  ↓
动作空间转换与机器人统一表示
  ↓
指令改写 + Subtask 标注 + VQA 标注
  ↓
质量筛选
  ↓
统一 LeRobot v3.0 数据格式

这一步非常关键。

对于多本体模型而言，真正困难的从来不只是“数据有没有”，而是：

不同机器人的关节数、控制频率、相机布局、夹爪定义和动作空间都不一样，怎么把它们变成模型可以共享的知识？

GigaBrain-0.7 后面那套 Shared Action Expert，其实和这里的数据统一是互相咬合的。如果输入输出空间完全没有标准化，所谓“跨本体参数共享”很容易只停留在 PPT 上。

---

3. 论文真的证明了“具身 Scaling Law”吗？

这里需要把发布稿里的措辞稍微收紧。

论文确实展示了三个很清楚的 Scaling trend：

1. 随着预训练数据继续增加，验证损失持续下降；
2. 增加机器人数据后，真机成功率继续提高，尤其对衣物折叠这类混沌、长程、可变形物体任务更明显；
3. 在固定约 3,000 小时机器人数据的基础上加入 UMI、EGO，真机效果继续提升，而 Robot + UMI + EGO 的组合最好。

这说明：

无本体真人数据并不是“只能拿来预训练视觉”，它能够转化为真实机器人操作收益。

但严格说，论文目前展示的是“正向 Scaling 证据”，还不是 LLM 论文里那种经过拟合、具有明确指数关系、可用于预测计算/数据/损失关系的完整 Scaling Law。

所以更准确的说法应该是：

GigaBrain-0.7 给出了具身数据规模扩张有效的实验趋势，而不是已经建立了一条普适的具身 Scaling Law。

这一点看似只是措辞，其实很重要。因为具身数据的“1 小时”并不等价：重复桌面抓取 1 小时，和包含多物体、失败恢复、长程任务的 1 小时，信息密度完全不同。

未来真正有意义的 scaling 研究，恐怕不会只统计小时数，还要统计状态覆盖度、动作多样性、任务熵、失败密度和跨本体分布。

---

4. System-1：不是每种机器人一个专家，而是“共享大脑 + 少量本体接口”

GigaBrain-0.7 的动作生成模块建立在 Mixture-of-Transformers（MoT）+ Flow Matching 上。

最直观的理解是：

视觉语言 Token ───────┐
                      ├─→ 联合注意力 → Action Expert → 连续动作块
机器人状态 / 噪声动作 ─┘

其中 VLM 和 Action Expert 保留各自的 FFN，但在注意力层中进行信息交互，形成“双流”结构。

动作生成采用 Flow Matching。无需死记公式，可以把它理解成：

随机噪声动作
   ↓
模型学习“动作应该往哪个方向流动”
   ↓
逐渐靠近示范数据中的真实动作分布
   ↓
得到连续 action chunk

相比把机器人控制离散成一个个 token，这种做法天然更适合机械臂连续控制。

4.1 Shared Action Expert：不同机器人到底共享什么？

GigaBrain-0.7 并不是给 AgileX PiPER、Maker H01 等不同机器人各训练一个完整动作模型。

它让不同本体共享 Action Expert 的 Transformer 主干，只通过 Robot ID 路由到对应的状态 / 动作输入输出投影层。

也就是：

PiPER 状态 ─→ PiPER Adapter ─┐
Maker H01 ─→ H01 Adapter ────┼→ Shared Action Expert
Robot C   ─→ C Adapter ──────┘

Shared Action Expert
        ↓
┌───────┼───────────┐
PiPER Head   H01 Head   Robot C Head

这背后的假设很漂亮：

“抓、放、推、插、折叠、避障”这些操作知识具有跨机器人共性，真正需要本体专属处理的只是动作坐标和低层接口。

如果这个假设能够持续扩展，就意味着未来增加一种新机器人，不一定要重新训练一套 VLA，只需要给它接一个新的 embodiment adapter。

4.2 Soft Knowledge Insulation：为什么不能让动作损失随便改 VLM？

多模态大模型的视觉语言能力很宝贵，但动作数据通常更窄、更偏某几个机器人和场景。

如果训练 Action Expert 时，所有梯度都毫无约束地灌回 VLM 主干，很可能发生一个问题：

动作越来越准，但原本通用的视觉、语言、空间理解反而被“训偏”了。

GigaBrain-0.7 因此使用 Soft Knowledge Insulation，对从动作侧回传到 VLM 的知识更新做软隔离。

它不是完全冻结，也不是完全放开，而是在两者之间找平衡：

通用 VLM 能力  ←── 保住
       ↑
  受控的信息交换
       ↓
机器人动作能力 ←── 继续适配

这个设计对于“一个基模服务多机器人、多任务”尤其重要。

4.3 一个反直觉结果：VLM 更大，不代表机器人更会干活

论文还比较了不同视觉语言骨干。

在 Clean Desk、Fruit Picking、Shirt Folding 三项真机任务上，PaliGemma2 3.5B 的结果分别为 50 / 88 / 30；更大的 Qwen3.5 5B 为 60 / 12 / 0；Gemma4 8.5B 则是 100 / 92 / 0*。

最有意思的是 Shirt Folding：只有 PaliGemma2 版本取得了非零成功率。

这说明具身模型的瓶颈不能简单归结为：

“VLM 再大一点就好了。”

语言模型榜单上的能力，并不会无损映射到动作对齐。视觉时序、动作表征、训练稳定性和本体数据匹配往往更关键。

---

5. System-2：长程任务为什么需要“记住刚才发生了什么”？

GigaBrain-0.7 的 System-2 使用视觉语言模型完成场景理解、Chain-of-Thought 式推理和 Subtask 规划。

这里有一个容易被忽略、但对长程任务非常实用的设计：短时历史视觉上下文。

为什么？

设想机器人正在“把一件衣服折两次”。第一次折叠结束后，当前画面可能和“准备进行第一次折叠”长得很像。

如果模型只看当前单帧：

看见衣服处于某个姿态
→ 判断应该执行“折一下”
→ 折完
→ 又看见近似姿态
→ 再次判断“折一下”
→ 陷入循环

论文的定性案例显示，加入短时历史后，模型能够区分：

“现在这个画面虽然看起来类似，但这是刚刚完成上一阶段之后的状态。”

这看起来不像“超长记忆”那样炫，但对机器人特别重要。

因为真实机器人最怕的往往不是完全看不懂，而是在几个视觉相似的状态之间不断重复同一动作。

长程任务能力，有时并不需要模型记住过去 20 分钟每一帧，而是需要保留足够的信息，让当前状态拥有“任务阶段身份”。

---

6. System-3：这才是 GigaBrain-0.7 最值得拆开的地方

图4｜Architecture of GigaBrain-0.7.

三系统架构及 System-3 如何向 System-1 提供未来视觉与价值条件。

发布稿把 System-3 描述成“机器人先预演未来，再执行动作”，这个直觉没有错，但如果想真正理解论文，需要再精确一点。

它不是经典 MPC 那种：生成 N 条候选动作 → 用世界模型滚 N 个未来 → 挑一条最优轨迹。

GigaBrain-0.7 的 World Value Model 主要向策略提供两种条件：

第一种：未来子目标图像 g_t

System-3 根据当前状态和子任务，预测接下来一段时间世界可能如何变化，并把预测视频的最后一帧作为未来子目标图像。

于是 System-1 不再只看到：

“现在长什么样”

还能够看到：

“如果这个子任务顺利推进，接下来大概应该长什么样”

这相当于给动作生成提供了一张视觉版“施工效果图”。

第二种：任务进度 Value V_t

System-3 同时估计任务当前的进度值。

论文进一步构造了一个非常简单的二值进展条件：

[
A_t = \mathbb{1}\left[V_{t+\delta_t}-V_t>0\right]
]

其中：

• (V_t)：当前状态的任务进度估计；
• (V_{t+\delta_t})：执行一小段动作后的进度估计；
• (A_t=1)：说明这一段行为让任务向前推进；
• (A_t=0)：说明没有推进，甚至可能退步。

因此，后训练时 System-1 学到的是：

在“未来目标图像 + 正向进度条件”下，什么样的动作更像是能够继续把任务推进下去的动作。

推理时，策略直接条件在“positive progress”上。

所以 System-3 的作用更接近：

未来视觉提示 + 进度价值提示
            ↓
       条件化动作策略

而不是一个每步穷举动作再打分的在线搜索器。

这一区别很关键，因为两者的推理成本、控制机制和失败模式完全不同。

6.1 世界模型到底真的“看见失败”了吗？

图5 Prediction and evaluation with the World Value Model.

System-3 对未来状态进行预测，并根据未来变化给出任务价值判断。

论文展示了一个很直观的案例：当世界模型预测到盒盖掉落等失败未来时，advantage/value 明显下降；当后续行为把任务拉回正确轨道时，价值又重新上升。

这意味着 World Model 的角色已经不只是：

“生成一段看起来像未来的视频。”

而是进一步被用于回答：

“这个未来对完成任务到底是好还是坏？”

这也是 World Value Model 这个名字里“Value”的真正意义。

---

7. System-3 到底提升了多少？消融比概念更有说服力

论文在 Clothes Folding、Gift Wrapping、Cube Sorting 三类真机任务上，对四种设置进行了对比：

Base
+ Subgoal Image
+ Value
+ Subgoal Image + Value

其中最典型的是 Gift Wrapping：

System-3 条件	成功率
Base	0%
+ Subgoal Image	20%
+ Value	60%
+ Subgoal Image + Value	80%

而 Clothes Folding 中，四种设置成功率都已经达到 100%，这时二元成功率看不出差别，但任务完成质量和速度仍持续改善：

• Base 平均任务得分约 68.3；
• 完整 System-3 提升到约 88.3；
• 完成时间从约 107 s 降到 75 s。

这个结果其实比“成功率又涨几个点”更有意思。

它说明 System-3 的作用不只是在失败任务上“救回来”，还可能在已经能完成的任务上，让行为更完整、更利落、更少绕路。

另一个值得注意的现象是：多个任务里 Value 单独加入的效果往往比 Subgoal Image 单独加入更强，但两者一起通常最好。

这提示我们：对于机器人而言，“知道未来应该长什么样”固然重要，但“知道自己有没有真正往任务目标前进”可能更加直接。

---

8. Experience Reinforcement：真正的闭环不是收更多专家数据，而是让失败变成训练数据

图6| Experience Reinforcement Pipeline.

从 SFT 到 Offline RL，再到带人类干预的 Online RL。

如果只靠行为克隆，机器人会遇到一个经典问题：

专家数据里几乎都是“正确状态”，但机器人一旦自己犯错，就会跑进训练集没有覆盖过的状态分布。

于是一个小误差可能像雪球一样越滚越大。

GigaBrain-0.7 的 Experience Reinforcement 用三步处理：

第一步：SFT

用少量专家轨迹让模型先获得基本任务能力。

第二步：Offline Experience Learning

让当前策略自己 rollout，收集：

• 成功轨迹；
• 失败轨迹；
• 进度快 / 慢；
• 完成质量高 / 低；
• 人类在环修正数据。

然后利用 progress/value 估计和类似 Advantage-Weighted Regression 的目标，让更优的片段得到更高权重。

这一步最重要的收益不是“把专家轨迹再学一遍”，而是把模型自己的失败状态重新灌回训练分布，从而训练错误恢复。

第三步：Online Reinforcement

对于插线、轴承安装、扎线带这类精细操作，再通过在线 actor-critic 和人类纠偏持续更新。

论文的四个代表性任务结果非常醒目：

任务	SFT	Offline RL	Online RL
Link Installation	20%	40%	100%
Gift Box Packing	80%	90%	100%
Cable Tie Insertion & Tying	0%	40%	100%
Bearing Installation	20%	60%	100%
平均	30.0%	57.5%	100%

但这里同样需要克制理解：

“Online RL 达到 100%”是这 4 个选定高难任务上的结果，并不意味着 GigaBrain-0.7 在任意机器人任务上都已经稳定 100%。

而且技术报告也明确表示，更完整的人类干预协议和在线 RL 细节将留待后续报告。

因此这部分目前更像是一个强有力的 proof-of-concept，而不是已经完全可复现的 RL recipe。

---

9. “One Model, Many Tasks”：开箱即用到底到了什么程度？

论文把 foundation model 本身直接放到两个差异明显的机器人上：

• AgileX PiPER 双臂机器人；
• Maker H01 人形机器人。

并测试域内 / 域外物体、未知摆放、未知服装实例、不同初始状态等条件。

这个实验最值得看的不是“有没有成功案例”，而是：同一个预训练策略不做每个任务单独适配时，是否仍然保留基础操作能力。

论文观察到了明显的 OOD 泛化，但作者同样承认 ID → OOD 仍存在性能下降。

所以“开箱即用”更准确的理解是：

模型已经表现出跨任务、跨实例、跨本体的 foundation capability，但还没有达到真正开放世界、任意任务零样本可靠执行。

这其实已经很不容易了。机器人世界里的 OOD，不只是换个颜色，它可能同时意味着：物体几何不同、接触动力学不同、相机视角不同、本体动作空间不同。

---

10. 横向 Benchmark：真正值得看的是 Maker H01 上的差距

在任务级后训练后的真机对比中，GigaBrain-0.7 和 π0.5 等模型进行了统一协议下的比较。

几个核心平均值如下：

评测	π0.5	GigaBrain-0.7
PiPER：语言跟随	88.8	91.5
Maker H01：语言跟随	75.2	84.2
PiPER：复杂操作	76.6	84.9
Maker H01：复杂操作	45.2	74.1

其中 Maker H01 复杂操作从 45.2 拉到 74.1，确实是非常大的差距。

不过这组结果也要带着一个背景来看：Maker H01 是极佳视界自研本体，其采集硬件、数据体系和模型动作接口天然有更深的协同优化空间。

所以这组结果能够证明：

GigaBrain-0.7 在自己的完整“数据 + 本体 + 模型”栈上非常强。

但它不能单独证明：

换到任意第三方机器人上都会保持同样幅度的领先。

这也正是为什么 PiPER 结果同样重要：它至少给了一个第三方机器人上的横向参照。

---

11. 仿真 Benchmark：RoboTwin、EBench、RoboColiseum 都拿到了领先结果

论文还给出多套仿真 / 统一 benchmark：

RoboTwin 2.0

GigaBrain-0.7 总体得分 67.35，π0.5 为 58.35，在参与比较的模型中排名第一。

EBench

GigaBrain-0.7：

• Success Rate：33.30
• Score：46.1

π0.5 分别为 28.08 / 42.0。

RoboColiseum

在论文统计时点的四个维度中，GigaBrain-0.7 均为第一：

维度	GigaBrain-0.7
Instruction Following	0.8166
Spatial Reasoning	0.4729
Robustness	0.6800
General Manipulation	0.6092

这也就是发布稿所说“4 个分项全部第一”的来源。

不过 leaderboard 是动态的。更严谨的写法应该是：

在论文所记录的 2026 年 8 月榜单快照和对比模型集合中，GigaBrain-0.7 四项均居首。

还有一个非常值得表扬的细节：论文在 MiMo benchmark 中明确区分了“MiMo 数据还没进训练集时的 held-out 测试”和“把 MiMo 数据继续预训练之后的诊断结果”。后者虽然更高，但作者没有把它包装成严格 held-out benchmark。

这比单纯扔一个最高分出来要可信得多。

---

12. 那个“超 20 分钟一镜到底”，到底意味着什么？

项目发布现场最抓眼球的，是机器人连续超过 20 分钟、完成 10 个以上任务的一镜到底演示。

这类 Demo 的价值，主要体现在三个地方：

1）长时间闭环稳定性

机器人单任务成功一次，并不难等价成连续工作 20 分钟。

只要每个动作块有一点点误差，经过数百个闭环周期后都可能累积成灾难。能够不中断完成连续任务，至少说明系统在状态跟踪、动作衔接、错误恢复和策略稳定性上已经跨过了一个更高门槛。

2）任务切换

10+ 任务连续完成意味着模型不是只围着一个固定操作脚本打磨，而需要频繁切换目标和子任务。

这与 System-2 的 subtask planning、System-3 的 progress conditioning，以及 history context 是彼此对应的。

3）失败恢复

长程任务真正危险的不是“大失败”，而是杯子偏两厘米、衣服褶皱了、夹爪第一次没夹正这种小偏差。

Experience Reinforcement 和 World Value Model 都在针对这类问题发力。

但是也要明确：

“20 分钟一镜到底”目前更接近系统 Demo 指标，而不是技术报告中定义严格、可由第三方重复执行的 benchmark。

技术报告没有给出这段 Demo 的标准化任务清单、随机种子、重复次数、置信区间以及与其他模型同协议的 20 分钟长程比较。

所以它很适合证明“系统已经能做到什么”，不应该单独拿来证明“长程任务 SOTA”。

---

13. 我认为 GigaBrain-0.7 真正值得关注的，不是某一个 SOTA 数字

看完整篇报告，我认为有四个点比“又刷新了一个榜单”更值得长期关注。

第一，Scale 的单位从“机器人轨迹”变成了“异构物理经验”

真机、UMI、EGO、仿真、World Model 生成数据不是互相替代，而是不同成本和真实性的数据层级。

这很可能才是具身数据真正可扩张的路径。

第二，World Model 开始从“训练辅助工具”走进策略本身

过去很多 World Model 的作用是：

生成数据 → 训练 policy

GigaBrain-0.7 则进一步变成：

当前状态
  ↓
World Model 预测未来 + 判断进度
  ↓
作为条件继续影响 policy

如果这条路线成立，未来 VLA 可能不再只是“反应式动作生成器”，而会逐渐拥有显式的未来表征。

第三，多本体不是简单把数据混在一起，而是同时改数据接口和模型接口

统一机器人表示、Robot ID、本体专属投影、Shared Action Expert、Soft Knowledge Insulation 是一整套协同设计。

这比一句“支持多机器人”更有工程含量。

第四，训练闭环开始覆盖“模型自己的错误状态”

从 SFT → offline rollout → online correction，本质上是在解决 imitation learning 最古老的问题：distribution shift。

真正能够长期工作的机器人，不可能永远待在专家示范覆盖的“干净状态”里。

---

14. 但这篇报告还有几个很关键的问题没有回答

GigaBrain-0.7 的结果很强，但距离“具身 GPT-3 时刻”还有几块硬骨头。

14.1 System-3 的真实在线代价是多少？

论文明确给出了 System-1 不同架构的训练 / 推理耗时比较，例如 Dual-Stream 版本单次推理约 0.221 s。

但完整系统还叠加了一个基于 GigaWorld-1 的约 5B World Value Model。

论文目前没有给出：

• System-3 单次预测延迟；
• 完整 System-1 + System-2 + System-3 的端到端延迟；
• 真机运行硬件；
• 控制频率；
• World Model 是否异步运行；
• 视频预测多久更新一次。

因此，“System-3 进入实时决策回路”作为架构思想已经成立，但它的实时工程账本还没有完全公开。

14.2 世界模型预测错了怎么办？

如果 subgoal image 幻觉出了错误物体位置，或者 value 对进度判断失真，会不会反过来把 System-1 带偏？

论文使用条件 dropout 来提高模型对缺失 / 不稳定条件的鲁棒性，这是很合理的一步，但还没有系统展示 World Model prediction error 和 policy degradation 的定量关系。

14.3 37,000 小时 ≠ 37,000 小时独立知识

机器人数据高度时序相关。

同一个场景连续采集 10 小时和 10 个完全不同任务各 1 小时，信息量显然不同。

未来如果要真正研究 embodied scaling，更值得看的可能是“有效状态覆盖”和“任务多样性”，而不是单一小时数。

14.4 Online RL 还缺完整可复现 recipe

四个高难任务全部做到 100% 很有冲击力，但论文目前还没有公开完整的人类纠偏协议、奖励构造细节和在线训练基础设施。

这部分很可能会决定后续开源版本到底能不能被社区复制。

14.5 代码和 GigaBrain-0.7 权重目前还没有真正放出来

截至 2026 年 8 月 21 日，公开 GitHub 仓库仍主要是此前的 GigaBrain-0，README 对 0.7 的状态写的是 “will be released soon”；Hugging Face 的 open-gigaai 模型列表也尚未出现 GigaBrain-0.7 权重。

因此这篇现阶段应该按“论文 / 技术报告解读”来读，而不是按“开源工程部署教程”来写。

等权重和代码真正发布后，最值得补测的反而不是再看一遍官方 benchmark，而是：

1. 单卡显存到底需要多少？
2. System-3 是否独立常驻？
3. 真实 action chunk 频率是多少？
4. World Model 更新频率是多少？
5. 第三方机器人新增 embodiment adapter 要多少数据？
6. 关掉 System-3 后端到端速度能差多少？
7. 真机失败恢复能否被独立复现？

这些问题，会决定 GigaBrain-0.7 是“很强的内部全栈系统”，还是能够真正外溢成社区级具身基础模型。

---

15. 最后，用一张逻辑链把 GigaBrain-0.7 串起来

如果只用一条链路记住这篇论文，我会这样概括：

              【数据金字塔】
互联网 VLM 数据 + UMI/EGO + 仿真/生成 + 真机
                    ↓
        统一表示 + 统一数据管线
                    ↓
             37,256.98 h
                    ↓
              【预训练】
     System-2：理解 / 规划 / 历史上下文
                    ↓
     System-1：Shared Action Expert
            MoT + Flow Matching
                    ↓
              【System-3】
   预测未来子目标图像 + 判断任务进度 Value
                    ↓
     给 System-1 一个“未来应该怎样”的条件
                    ↓
            【经验强化闭环】
       SFT → Offline RL → Online RL
                    ↓
     把成功、失败、恢复都重新变成经验
                    ↓
      One Model, Many Tasks / 长程执行

GigaBrain-0.7 最值得关注的，并不是它给 VLA 又加了一个更大的模块。

真正的变化是：它试图把理解、预测、动作、经验四件过去经常分开研究的事情，接进同一套具身基础模型生产线里。

过去的 VLA 更像：

“我看到了什么，所以我下一步应该怎么动。”

GigaBrain-0.7 想向前迈一步：

“我知道现在在做什么，也大致知道做下去会发生什么；如果结果不对，我还要能够从自己的失败里继续学。”

这可能才是 System-3 比“又一个 World Model”更值得讨论的地方。

至于它是不是已经跨过了具身智能的 GPT-3 时刻，现在下结论还太早。

但至少从这篇技术报告可以看到一个越来越清晰的方向：

下一代具身基础模型的竞争，可能不再只是 VLA 主干谁更大，而是谁能把高质量异构数据、未来预测、跨本体动作对齐和真实世界经验闭环一起 Scale 起来。

参考资料

• GigaBrain-0.7 项目主页：https://gigaai.cc/blog/gigabrain07
• 技术报告：https://arxiv.org/abs/2608.15875
• GitHub：https://github.com/open-gigaai/giga-brain-0
• Hugging Face：https://huggingface.co/open-gigaai/models

注：本文区分“技术报告中的可核验实验结果”和“项目发布 / 演示层面的宣传表述”。“超 20 分钟、10+ 任务一镜到底”属于项目发布演示亮点；本文没有将其当作标准化 benchmark 指标使用。