尧图网页设计 
让机器从数据中生成本领诺因Knowin通用具身智能生成式学习架构GLOW深度解析一、引言GPT-6之后具身智能的路线之争2026年9月整个具身智能行业被一个问题反复叩问当GPT-6 Astra这样的通用大模型开始展现出理解物理世界并操控机器人的潜力时此前那些围绕视觉模块动作模块拼接、依靠真机采集数据再模仿执行的传统具身智能路线是否正在被历史淘汰这个问题的答案在9月24日被深圳具身智能公司诺因Knowin以一份技术报告的形式给出了一个具体样本。诺因正式发布面向通用具身智能的生成式学习架构GLOW技术报告完整披露了其升级后的整体技术架构核心主张是让机器人获得一教就会的任务学习能力——用户只需演示一次完整操作机器人即可跨物体、跨环境、跨任务地复用所学技能无需重新训练或更新模型参数央广网。报告同步披露了Glow在RoboDojo、LIBERO-Pro、Embodied Arena等多项国际主流具身评测中的成绩并宣布三项第一科技日报。本文不满足于转述发布会的宣传口径而是试图深入到GLOW的架构内部从生成式学习范式与判别式/模仿学习范式的本质差异出发拆解它的四个核心模块如何协同运转剖析它在数据、世界模型、动作生成、任务规划与跨本体迁移上的技术取舍并与行业主流方案VLA、World Model等横向对比。所有技术细节均以诺因官方口径及多家权威媒体交叉验证为准不虚构任何未公开的层数与参数。二、范式背景生成式学习为何是具身智能的分水岭要理解GLOW首先要理解它所在的范式坐标系。具身智能Embodied Intelligence指AI通过感知与行动在物理世界中学习与执行任务其核心挑战在于真实世界无法穷举环境、物品、状态总是在变化。传统路线大致可以归为两类。其一是判别式/映射式路线如行为克隆、模仿学习收集大量状态-动作对训练一个从感知到动作的映射函数。它的局限在于模型学到的本质是复现训练过的动作一旦遇到分布外的物体、光照或布局精度迅速崩坏。其二是脚本式/流程式路线为每项任务编写固定流程或规则只能处理确定性较高的任务。GLOW所主张的生成式学习Generative Learning 则完全不同。它不是让模型去判别当前最像哪一个训练样本而是让模型去生成任务目标、动作序列与未来状态——就像大语言模型生成下一个token、扩散模型生成下一个像素一样具身模型生成下一步该做什么、做了之后世界会变成什么样。这种范式把一次人类完整操作、当前环境、机器人自身状态与执行历史放进同一条链路理解让机器人不只是看见动作画面而是同步捕捉物体关系、操作顺序与状态变化从看过走向学会光明网。也正是基于这个判断行业在2026年形成了共识自回归架构正成为模型架构的收敛方向具身智能的竞争核心正在从谁能在设定场景里完成更多动作转向谁能让机器人跨越环境、物品和任务持续泛化也就是谁掌握更高效的数据与学习方式。三、GLOW总览四个核心模块构成的完整闭环GLOW的架构肉眼可见地与传统感知—规划—控制纵向堆叠不同它选择了一种一主三辅的组织方式一个统一的多模态自回归核心大脑加上三个分别承担数据生成、世界推演、长程任务编排的支撑模块。诺因的技术报告将原本分散的Brain与Act能力统一进了KnowinGLOW让其与KnowinDream、KnowinWorld、KnowinAgent构成从经验学习、任务理解到行动反馈的完整链路网易智能/中华网。我们先看整体架构图plaintext 图 1GLOW 生成式具身智能系统整体架构 ┌───────────────────────────────────────────────┐ │ 用户自然语言 / 一次演示 │ └───────────────────────┬───────────────────────┘ ▼ ┌────────────────────────────────────────────────────────────────────┐ │ KnowinGLOW : 统一多模态自回归核心大脑 │ │ ┌────────┐ ┌────────┐ ┌────────┐ ┌────────┐ ┌────────┐ │ │ │视觉理解│ │语义解析│ │空间推理│ │任务规划│ │动作生成│ │ │ └────────┘ └────────┘ └────────┘ └────────┘ └────────┘ │ │ 同一表征体系 · 自回归生成 (理解与动作共享 token 空间) │ └───────┬───────────────────────────────┬──────────────────────────┘ │ 训练经验 │ 待推演动作 ▼ ▼ ┌────────────────────┐ ┌────────────────────┐ │ KnowinDream │ │ KnowinWorld │ │ 生成式经验引擎 │ ──────► │ 动作条件下的世界推演 │ │ 3D结构 · 物理一致 │ │ 碰撞/接触/可达性 │ └────────────────────┘ └─────────┬──────────┘ 生成多样化训练数据 │ 预判/排除无效路径 ▲ ▼ │ 可执行动作序列 ┌────────────────────────────────────────────────────────────────────┐ │ KnowinAgent (Harness): 长程任务编排 │ │ 任务分解 · 进度管理 · 反馈接收 · 就地修正 · 精细微调 · 记忆存储 │ └────────────────────────────────────────────────────────────────────┘ │ ▼ ┌──────────┐ │ 真实机器人│◄── 环境/本体反馈回流, 驱动 Dream/World/GLOW 迭代 └──────────┘值得注意的是诺因官网knowinai.com tech页面对底层能力还有更细粒度的五模块视角KnowinDream之外还分化出KnowinBrain具身认知与策略核心、KnowinAct生成式动作编码-解码器含Action Tokenizer与Action Chunk与KnowinAgent。9月24日发布的报告将Brain与Act统一进KnowinGLOW本质上是一次认知-动作表征对齐的架构收紧——把想清楚与做到位放进同一个自回归序列减少跨模块的信息损耗。理解这一点就能读懂GLOW在统一vs模块化之间选择的张力。四、KnowinGLOW让认知与动作共享同一套tokenKnowinGLOW是整套架构的核心中枢它最鲜明的特征是原生统一的自回归设计。传统方案往往把理解与执行拆成两个模型先用视觉模型识别场景再用策略网络规划动作最后交由底层运动控制执行。这种拼接式设计的问题在于视觉表征、语义表征与动作表征各自为政跨边界传递必然产生信息损耗与衔接延迟。KnowinGLOW的答案是让视觉理解、语义解析、空间推理、任务规划与动作生成在同一模型内、同一表征体系下完成理解与动作共享同一套离散token空间。从工程角度看这意味着它把看世界“想策略”动身体统一成了一个自回归生成问题给定观测历史与任务上下文逐token生成下一阶段的意图与动作。这种设计的直接收益是一次演示、举一反三的架构基础当人类演示一次操作比如擦桌模型学到的不再是抹布经过了哪些像素位置这种表层轨迹而是一个可复用的目标表征——“把桌面按用户习惯的方式擦干净”。执行时机器人结合眼前环境、本体状态、任务进展与历史反馈实时自回归地生成下一步。用报告中的话说它学习的不是人的手臂经过了哪些位置而是任务要达到什么目标、物品之间存在什么关系、环境变化后该如何继续央广网。下面用一个极简的Python伪代码勾勒这种统一自回归的核心思路仅必要变量命名便于理解数据流python class KnowinGLOW: def __init__(self, vocab_size, d_model, n_layers): self.embed nn.Embedding(vocab_size, d_model) self.decoder nn.TransformerDecoder( nn.TransformerDecoderLayer(d_model, 8, batch_firstTrue), num_layersn_layers) self.lm_head nn.Linear(d_model, vocab_size) def step(self, obs_tokens, state, hist): seq torch.cat([hist, obs_tokens], dim1) x self.embed(seq) x self.decoder(x, memorystate.memory) logits self.lm_head(x[:, -1]) return logits # 同一自回归头同时产出意图token与动作token这里的要点在于动作token与语义token共用同一词表与同一解码器从而实现认知与动作在同一概率分布下的联合生成这正是生成式区别于判别式的代码层体现。接下来我们用Go写出一个状态-动作-世界三步的闭环调度骨架展示GLOW在系统层如何把核心大脑与三个支撑模块串成闭环为贴合实际工程使用必要结构体与变量go type WorldState struct { Objects map[string]string // objectID - state Robot RobotPose Phase int } type GLOWRuntime struct { Brain *AutoregressiveModel Dream *DataGenerator World *PhysicsSimulator Agent *Harness ActionSpace []ActionChunk } func (g *GLOWRuntime) ExecuteTask(task *Task, obs []Frame) error { plan : g.Brain.Plan(task, obs) for _, step : range plan.Steps { cands : g.World.Rollout(step.ActionSet) // 预判 safe : g.World.FilterUnsafe(cands) chunk : g.Brain.GenerateAction(safe[0]) if err : g.Agent.Execute(chunk, obs); err ! nil { g.Agent.Repair(err) // 就地修正 } g.Agent.Record(step) } return nil }五、KnowinDream让机器人在训练阶段就见多识广传统具身智能的第一个瓶颈是数据。高质量的真机操作数据极度稀缺、采集昂贵且难以覆盖长尾场景。KnowinDream正是为破解这一瓶颈而设的生成式经验引擎。它的工作方式建立在3D视觉生成模型之上从有限的真实交互出发学习场景变化规律、物体交互逻辑与任务执行模式再合成具备三维结构与物理一致性的Ego-Centric第一人称具身训练数据覆盖极端光照、复杂材质、多样化布局与长尾上下文中国日报网。KnowinDream最值得玩味的组织逻辑是它的 “Home×Event×Future” 训练条件三元组机器人大讲堂plaintext 图 2KnowinDream 合成经验的 Home × Event × Future 生成流水线 真实交互样本(极少) │ ▼ ┌───────────────────────────────┐ │ Home : 定义交互发生的世界 │ │ · 家庭类型 / 布局 / 家具分布 │ │ · 光照 · 材质 · 纹理 · 背景 │ └───────────────┬───────────────┘ ▼ ┌───────────────────────────────┐ │ Event : 定义世界中的变化 │ │ · 物体初始/目标状态 │ │ · 遮挡 · 干扰 · 摆放扰动 │ └───────────────┬───────────────┘ ▼ ┌───────────────────────────────┐ │ Future : 展开行动后的结果 │ │ · 动作后果 · 状态转移 │ │ · 成败回放 · 风险边界 │ └───────────────┬───────────────┘ ▼ 批量合成: 3D结构 物理一致的 Ego-Centric 数据 │ ▼ 注入不同相机视角 / 不同机器人配置 / 不同用户习惯 │ ▼ 得到泛化的训练数据分布 → 喂给 KnowinGLOW这个三元组的关键在于它把在哪里发生Home“发生了什么Event”做了之后会怎样Future显式分离并组合成数据分布轴。通过变量化调整光照、材质、纹理与背景把少量真实经验扩展成覆盖面极广的训练分布让模型在训练阶段就见过足够多样的世界与变化从而在真实世界里面对没见过的盒子、没见过的浇水壶时依然稳定。诺因官方透露其生成式数据能力已获全球顶级学术舞台验证——在CVPR 2026 EgoCross Challenge中诺因在Source-Limited与Open-Source双赛道同时斩获全球第一中国日报网。这为KnowinDream以身第一人称数据驱动泛化的路线提供了来自学术界的佐证。为了把Home×Event×Future的合成管线落到工程层面下面给出一个Python实现骨架展示如何从少量真实交互出发通过组合世界、事件与未来三个轴批量扩产具备三维结构与物理一致性的第一人称训练样本仅保留变量命名与主干流程python import numpy as np from dataclasses import dataclass, field dataclass class HomeContext: layout: str # living_room/kitchen/bedroom lighting: float # 0.3(昏暗) ~ 1.0(明亮) material: str # wood/glass/cloth cam_pos: tuple # 相机视角 robot_conf: tuple # 机器人配置(臂长/基座高度) dataclass class EventSpec: objects: list # 初始物体状态表 goals: dict # 目标状态映射 occlusions: float # 遮挡程度 perturbations: int # 摆放扰动次数 class HomeExpansionEngine: def __init__(self, real_rollouts, rngNone): self.real real_rollouts self.rng rng or np.random.default_rng(42) def sample_home(self): return HomeContext( layoutself.rng.choice([living_room, kitchen, bedroom]), lightinground(self.rng.uniform(0.3, 1.0), 2), materialself.rng.choice([wood, glass, cloth]), cam_postuple(self.rng.uniform(-1, 1, 2)), robot_conf(self.rng.uniform(0.4, 0.8), self.rng.uniform(0.2, 0.5)), ) def expand(self, n4096): outs [] for _ in range(n): home self.sample_home() ev EventSpec( objects[self.rng.choice(self.real[objs]) for _ in range(3)], goals{target: self.rng.choice(self.real[goals])}, occlusionsround(self.rng.uniform(0, 0.4), 2), perturbationsint(self.rng.integers(0, 3)), ) sample self.render_ego(home, ev) # 3D一致的第一人称帧 outs.append(sample) return outs同理KnowinWorld 的候选动作预判可以抽象为一次对多候选轨迹的打分与剪枝下面是该推演单元的核心逻辑python class KnowinWorldRollout: def __init__(self, dyn_model, horizon16): self.dyn dyn_model # 数据学习到的世界动态模型 self.horizon horizon def roll(self, state, action_pool): scored [] for a in action_pool: traj [state] cost 0.0 s state for _ in range(self.horizon): s_pred self.dyn.step(s, a) cost self.risk(s_pred) s s_pred traj.append(s) scored.append((cost, a, traj)) scored.sort(keylambda t: t[0]) return [(a, t) for _, a, t in scored[:2]] def risk(self, s): coll self.dyn.collision_prob(s) stab 1.0 - self.dyn.contact_stability(s) reach self.dyn.path_unreachable(s) return 0.5 * coll 0.3 * stab 0.2 * reach六、KnowinWorld让机器人学会预判的物理推演引擎如果说KnowinDream解决的是经验从哪来那么KnowinWorld解决的是动作会带来什么后果。KnowinWorld是一个基于数据学习得到的可交互世界表示系统而非传统的物理仿真器。它聚焦空间结构、物体状态、动作影响与任务演化——判断一个动作将如何改变当前环境、任务接下来可能走向哪里。相比无边界地复刻整个开放世界GLOW把模型能力集中到真正影响任务成败的信息上让机器人不仅看见世界更能理解如何作用于世界ZAKER/诺因融资报道。它的工作有两个阶段、两种价值。在训练阶段KnowinWorld可代替真机完成大量试错推演让策略在虚拟交互世界中展开动作、评估结果、筛选有效方案大幅降低真机试错的成本与安全风险。在运行阶段它能在动作真正执行前预判风险——推演碰撞风险、接触稳定性、路径可达性等物理约束排除无效路径既提升执行安全性又提高决策效率央广网。plaintext 图 3KnowinGLOW × KnowinWorld 的感知-规划-执行闭环 ┌────────────────────────────────────────────┐ 观测(相机/本体) │ │ ───────────────►│ KnowinGLOW: 理解场景 长程规划 生成候选动作 │ │ │ │ │ ▼ │ │ ┌───────────────────────┐ │ │ │ KnowinWorld 世界推演 │ │ │ │ 推演碰撞/接触/可达性 │ │ │ │ 评估动作后果 │ │ │ └───────────┬───────────┘ │ │ │ 安全的动作序列 风险标注 │ │ ▼ │ │ KnowinAgent(Harness): 下达并管理执行 │ └────────┬───────────────────────────────────────┘ ▼ ┌─────────┐ │ 真实机器人│──► 执行反馈/失败信号 ──► 回流(RL/偏好对齐) └─────────┘需要强调KnowinWorld与KnowinDream之间不是孤立的。二者构成双引擎自增强闭环——World提供结构约束Dream生成更优数据分布每一次真实执行中的反馈又回流至两者驱动整个系统迭代升级中国日报网。这正是GLOW区别于数据-模型单向链路的关键它是一个生成世界—理解世界—作用于世界—真实反馈的可持续循环。七、KnowinAgentHarness让长程任务不断片具身智能的难点不只在于会不会做动作更在于能不能把一个多步骤长程任务连贯做完。人们常忽视的一点是真实家庭任务洗衣服→叠衣服→收纳、调酒→取杯→倾倒→回正→放回往往长达数十步任何一步的执行偏差都可能让后续全部失控。传统方案一旦中途出错只能从头重来。KnowinAgent上层又称Harness正是为破解长程任务断片而设的上下文驱动任务运行系统。它负责全程管理任务进度、执行反馈与动态调整持续记录执行节点、接收实时反馈出现偏差时在当前进度上就地修正而无需从头重启任务当接近瓶口、碗沿、抽屉把手等精细操作区域时自动切换为小幅微调模式边观察边校准保障长程任务连贯、稳定、精准地完成央广网。我们可以用Go描述Harness的就地修正精细微调状态机核心逻辑比照真实工程中的容错调度go type Harness struct { Nodes []TaskNode Cursor int memory *HomeMemory watch *VisionMonitor } func (h *Harness) Run(done chan bool) error { for h.Cursor len(h.Nodes) { n : h.Nodes[h.Cursor] if err : h.execute(n); err ! nil { h.Recover(n, err) // 就地修正不重启 continue } if h.watch.IsFineGrain(n.Region) { h.Calibrate(n) // 精细区域微调模式 } h.Cursor } done - true return nil }除了过程管理KnowinAgent还承担长期记忆与演进职责存储家庭布局、物体位置、任务历史、用户习惯与偏好将一次操作编码为可复用技能信息供后续任务调用。这使得机器人能在使用中学习——每一次完成任务都在沉淀下一次面对陌生场景时的可用资产。八、生成式学习 vs 传统范式本质差异与竞争力理解了四个模块我们可以把GLOW的生成式学习范式与传统采集数据、模仿执行路线做一个系统对比。诺因官方明确点出了这个差异相比行业主流路线GLOW多了三步——用生成式数据扩展训练规模、在虚拟世界中展开探索试错、将每次执行结果反馈回系统持续修正中国日报网。plaintext 图 4生成式学习范式 vs 传统模仿/判别式范式对比 维度 传统模仿/判别式范式 GLOW 生成式学习范式 ─────────── ────────────────────── ───────────────────────────── 数据来源 真机采集、行为克隆 真实经验 Dream 合成(3D一致) 学习目标 复现训练过的动作映射 生成任务目标/动作序/未来状态 世界理解 隐式、随样本退化 显式 KnowinWorld 预判后果 任务泛化 需为每任务重训/写流程 一次演示, 跨物/跨境/跨任务复用 跨本体迁移 难(动作空间绑定单机体) 物体关系/目标优先, 可迁移重映射 长程执行 易断片、出错需重启 Harness 就地修正 微调 成本曲线 数据边际成本高 合成数据边际成本趋近于零 持续演进 单向模型链路 真实反馈回流, 双引擎自增强闭环这张对比表揭示了一个深层判断传统范式把泛化当作一个单点模型指标去优化而GLOW把泛化当作一项贯穿数据、世界理解、任务规划、动作执行与真实反馈的系统能力。这正是生成式学习范式在具身智能上最本质的竞争力——它不是某一块变得更强而是整个学习回路被重新组织成了生成式的。九、跨本体与跨场景迁移GLOW的工程含义一教就会如果只在同一台机器、同一件物品上成立那不过是一次好的过拟合。GLOW真正值得关注的是它的跨本体迁移能力。plaintext 图 5跨物体/跨环境/跨任务复用拓扑 一次人类完整演示(单个任务, 单件物品) │ ▼ GLOW 编码为可复用技能信息 (目标表征, 非轨迹表征) │ ┌───────────────┼───────────────┐ ▼ ▼ ▼ ┌────────────┐ ┌────────────┐ ┌────────────┐ │ 跨物体复用 │ │ 跨环境复用 │ │ 跨任务复用 │ │ 换盒/换壶 │ │ 换光照/布局 │ │ 组合已有技能│ │ 换抹布 │ │ 换户型 │ │ 调用新技能 │ └────────────┘ └────────────┘ └────────────┘ │ │ │ └───────────────┴───────────────┘ │ ▼ 不同机器人配置 / 不同相机视角下的重映射执行从实操案例看浇水任务中教学用的是黑色细嘴壶执行时换成绿色浇水壶机器人依然顺利完成——GLOW会把演示中抓握方式、对准角度、倾斜幅度等核心逻辑映射到全新器具上自主调整抓取位置与动作姿态机器人大讲堂。擦桌任务中用户沿心形轨迹移动抹布机器人看过一次就能复现同样的心形擦拭——这说明GLOW不仅学到了擦桌子这一任务还捕捉到了怎样擦这一****个性化操作特征**。这些案例验证了GLOW学习表征的抽象层级它学的是物体之间的关系与任务目标而非某一件具体物品、某一条具体轨迹。编码层面KnowinAct的Action Tokenizer从KnowinDream数据中学习可泛化的动作表征解码为边缘端可直接执行的Action Chunk实现高阶策略→平滑物理动作的转换从而让一只手臂学到的能力能在另一组运动学参数上重映射。十、评测体系与硬指标三项第一到底意味着什么技术路线之争最终要靠可量化评测来裁决。诺因报告披露了GLOW在三项国际主流具身评测中的成绩也是其连续三项第一的依据央广网plaintext 图 6GLOW 评测体系与成绩一览 ┌────────────────────────┬────────────────────────────┬─────────────┐ │ 评测基准 │ 核心指标 │ GLOW 成绩 │ ├────────────────────────┼────────────────────────────┼─────────────┤ │ RoboDojo(18项仿真任务) │ 平均成功率 │ 62.2% · 第一 │ │ │ 平均得分 │ 71.1分 │ │ LIBERO-Pro(六个扰动分项) │ Object/Goal/Spatial │ 86.7% · 第一 │ │ │ 单策略模型平均成功率 │ │ │ Embodied Arena │ 2D-Embodied QA 综合得分 │ 65.62 · 第一 │ │ (20个参评模型) │ (KnowinBrain-1.5) │ │ └────────────────────────┴────────────────────────────┴─────────────┘ 补充RoboDojo 成绩较 GPT-6(Robocurve) 基线高出 40 个百分点成功率、41.3 分具体来看在RoboDojo的18项仿真任务中GLOW取得62.2%的平均成功率和71.1分的平均得分较GPT-6Robocurve基线分别高出40个百分点和41.3分南方在LIBERO-Pro的Object、Goal与Spatial六个扰动分项中GLOW独立运行的平均成功率达到86.7%位列单策略模型第一在Embodied Arena的2D-Embodied QA Benchmarks榜单中KnowinBrain-1.5以65.62的综合得分位列20个参评模型第一科技日报。诚然评测设置由诺因自己披露横向对比的基础是否同prompt、同数据、同算力需要审慎看待但物理任务执行RoboDojo 泛化扰动LIBERO-Pro 具身场景问答Embodied Arena三个不同维度的第一确实在同一方向上相互印证——GLOW不仅理解物理场景还能把理解转化为有效的任务执行。这也正面回应了通用大模型是否已能替代专业具身模型的争论通用模型拓展智能的认知边界而专业具身模型以物理交互为核心二者是互补而非取代南方。十一、与行业方案的横向对比VLA、World Model与GLOW要判断GLOW的独特性还需把它放到VLAVision-Language-Action与世界模型World Model的坐标系中。VLA路线如谷歌RT系列把视觉、语言、动作端到端地融合进一个模型是近年来具身智能的主流。GLOW与VLA的最大区别在于对世界的处理经典VLA往往是感知→策略的直接映射世界理解是隐式的随训练分布退化而GLOW把KnowinWorld作为显式的物理推演单元在动作生成前先预判后果相当于在VLA之上叠加了一个可校验的世界约束层。World Model路线如Sora等生成式世界模型把重点放在生成未来帧/未来世界上希望以视频生成驱动具身决策。GLOW的KnowinWorld与其部分同源都强调从数据学习世界的动态表示但GLOW刻意把能力集中到真正影响任务成败的信息上而不是无边界地复刻整个开放世界——这是一种工程上的务实取舍与其生成完整的高保真视频不如精准预测这个动作会不会撞到、能不能稳定接触、路径可不可达。plaintext 图 7GLOW vs 经典 VLA vs 生成式世界模型(World Model) 范式定位 纵轴: 生成画面级未来 ▲ │ World Model│ ◄──── GLOW 综合定位 (视频生成) │ (显式世界推演 统一自回归) │ ▲ │ │ 生成目标/动作/后果 ────────────────┼────────────────────┼───────────────► 生成粒度 经典 VLA │ │ (隐式世界映射) │ │ │ │ ▼ │ 横轴左端: 判别式状态→动作 │ 显式可校验的世界约束简单说VLA解决了如何让一个模型同时理解语言与产出动作World Model解决了如何预测世界而GLOW试图把两者在生成式这个统一框架下合并并补上长程编排的Harness这一环。这是它在架构上相对主流方案的差异化所在。十二、企业背景与产业化从模型到家庭的最后一公里架构先进不等于产品成功。GLOW想要抵达的真实目的地是进入每一个家庭。诺因智能成立于2025年8月总部在深圳聚焦消费级家庭场景研发通用具身大模型截至2026年中研发团队超200人90%来自常春藤、清华、北大及C9等顶尖院校ZAKER。在资本端诺因于2026年8月宣布完成5亿元人民币天使轮融资由经纬创投领投红点创投、商汤国香资本、华登科技、光源创业者基金等跟投诺因融资报道。这笔资金明确指向GLOW生成式具身大模型的研发与Knowin-X1的量产准备。在产品端首款机器人Knowin-X1采用全折叠双臂构型折叠后高度控制在40厘米以内收纳体积仅为同类产品的几分之一展开后双臂可覆盖桌面、地面、柜体三类核心家庭操作面承担洗衣、叠衣、搬运、收纳等完整家庭任务链。其折叠构型不是把机器人做小而是在保持完整双臂负载能力的前提下做到极致可收纳——这本身就是一项工程极限跃迁中国日报网WAIC报道。在WAIC 2026上Knowin-X1在真实家庭场景灯光持续变化、观众随机挪动物品、人流遮挡中现场完成了桌面收纳、洗衣闭环与衣物折叠三项全链路任务全程依赖自然语言交互无遥控无人工干预中国日报网。产品预计2027年正式上市定位数万元价格带。plaintext 图 8GLOW 从模型到产品到真实反馈的产业化飞轮 GLOW 模型系统 ──► 驱动 Knowin-X1 硬件本体 ▲ │ │ ▼ 真实家庭任务执行(Sorting/Laundry/Folding/调酒...) ▲ │ │ ▼ 经验回流: 成功/失败/偏差 ──► 双引擎(World/Dream)迭代 ──► 模型进化十三、冷思考GLOW范式面临的真实挑战作为一篇技术博客我们也有必要对GLOW保持建设性的审慎。即便四项模块的设计逻辑相当自洽仍有几个问题需要时间与更大规模部署来回答其一合成数据的物理一致性边界。 KnowinDream通过扩大量与多样性来逼近真实但合成数据与真实物理之间的域差domain gap仍是具身智能的经典难题。当训练分布过度依赖合成经验时极端长尾的真实物理现象打翻液体、毛发缠绕、绳结能否被可靠覆盖需要更大规模的实测数据。其二一教就会的上限。 报告展示的场景开盒收纳、浇水、擦桌、调酒都属于结构相对清晰的家庭任务。面对高度非结构化、需要深度物理推理与多轮创造性的任务烹饪、维修、照料一次演示是否依然成立尚不确定。诺因对消费者也保持着演示教学而非出厂即全能的诚实定位资本报道——这既是对泛化边界清醒认知也是产品化前的务实收敛。其三自回归动作生成的长程累积误差。 统一自回归虽然消除了跨模块损耗但token级自回归在超长任务序列上不可避免地存在误差累积。Harness的就地修正能在一定程度上缓解但边生成边犯错边修正的算力与延迟代价在边缘端实时运行Action Chunk需在本地转换为平滑臂部运动时是否可接受是工程化必须攻克的关隘。其四评测的可比性。 对标的基线如GPT-6 Robocurve在提示词、数据与算力上是否一致报告并未充分展开横向比较需谨慎采信。十四、结语具身智能的下半场看的不是demo而是回路综观GLOW架构它给出的未必是终极答案但确实是一份高质量的路线样本用统一的生成式自回归对齐认知与动作用KnowinDream打破数据稀缺的天花板用KnowinWorld把世界从被感知升级为被推演用KnowinAgent/Harness守住长程任务的连续性——四者通过真实反馈回流被焊接成一个可持续自增强的学习闭环。从复现训练过的动作走向解决没有完整见过的任务是具身智能从舞台demo走向真实家庭的关键一跃。GLOW的价值正在于它率先把这一跃迁所需的数据、世界、行动与反馈四大要素组织成了一个可迭代的生成式回路。具身智能竞争的下半场真正起决定性作用的或许不再是某一次惊艳的演示视频而是谁能让机器在不断的使用中把每一次真实的错误都转化成为下一次泛化的养料。“让机器人从数据中生成本领”这句诺因对GLOW的概括恰恰点破了2026年具身智能最深层的范式转向当模型自回归地生成动作、生成世界、生成经验时机器人学习的不再是照搬而是生成。而生成二字正是迈向通用具身智能的那把钥匙。 让机器从数据中生成本领：诺因Knowin通用具身智能生成式学习架构GLOW深度解析
让机器从数据中生成本领诺因Knowin通用具身智能生成式学习架构GLOW深度解析一、引言GPT-6之后具身智能的路线之争2026年9月整个具身智能行业被一个问题反复叩问当GPT-6 Astra这样的通用大模型开始展现出理解物理世界并操控机器人的潜力时此前那些围绕视觉模块动作模块拼接、依靠真机采集数据再模仿执行的传统具身智能路线是否正在被历史淘汰这个问题的答案在9月24日被深圳具身智能公司诺因Knowin以一份技术报告的形式给出了一个具体样本。诺因正式发布面向通用具身智能的生成式学习架构GLOW技术报告完整披露了其升级后的整体技术架构核心主张是让机器人获得一教就会的任务学习能力——用户只需演示一次完整操作机器人即可跨物体、跨环境、跨任务地复用所学技能无需重新训练或更新模型参数央广网。报告同步披露了Glow在RoboDojo、LIBERO-Pro、Embodied Arena等多项国际主流具身评测中的成绩并宣布三项第一科技日报。本文不满足于转述发布会的宣传口径而是试图深入到GLOW的架构内部从生成式学习范式与判别式/模仿学习范式的本质差异出发拆解它的四个核心模块如何协同运转剖析它在数据、世界模型、动作生成、任务规划与跨本体迁移上的技术取舍并与行业主流方案VLA、World Model等横向对比。所有技术细节均以诺因官方口径及多家权威媒体交叉验证为准不虚构任何未公开的层数与参数。二、范式背景生成式学习为何是具身智能的分水岭要理解GLOW首先要理解它所在的范式坐标系。具身智能Embodied Intelligence指AI通过感知与行动在物理世界中学习与执行任务其核心挑战在于真实世界无法穷举环境、物品、状态总是在变化。传统路线大致可以归为两类。其一是判别式/映射式路线如行为克隆、模仿学习收集大量状态-动作对训练一个从感知到动作的映射函数。它的局限在于模型学到的本质是复现训练过的动作一旦遇到分布外的物体、光照或布局精度迅速崩坏。其二是脚本式/流程式路线为每项任务编写固定流程或规则只能处理确定性较高的任务。GLOW所主张的生成式学习Generative Learning 则完全不同。它不是让模型去判别当前最像哪一个训练样本而是让模型去生成任务目标、动作序列与未来状态——就像大语言模型生成下一个token、扩散模型生成下一个像素一样具身模型生成下一步该做什么、做了之后世界会变成什么样。这种范式把一次人类完整操作、当前环境、机器人自身状态与执行历史放进同一条链路理解让机器人不只是看见动作画面而是同步捕捉物体关系、操作顺序与状态变化从看过走向学会光明网。也正是基于这个判断行业在2026年形成了共识自回归架构正成为模型架构的收敛方向具身智能的竞争核心正在从谁能在设定场景里完成更多动作转向谁能让机器人跨越环境、物品和任务持续泛化也就是谁掌握更高效的数据与学习方式。三、GLOW总览四个核心模块构成的完整闭环GLOW的架构肉眼可见地与传统感知—规划—控制纵向堆叠不同它选择了一种一主三辅的组织方式一个统一的多模态自回归核心大脑加上三个分别承担数据生成、世界推演、长程任务编排的支撑模块。诺因的技术报告将原本分散的Brain与Act能力统一进了KnowinGLOW让其与KnowinDream、KnowinWorld、KnowinAgent构成从经验学习、任务理解到行动反馈的完整链路网易智能/中华网。我们先看整体架构图plaintext 图 1GLOW 生成式具身智能系统整体架构 ┌───────────────────────────────────────────────┐ │ 用户自然语言 / 一次演示 │ └───────────────────────┬───────────────────────┘ ▼ ┌────────────────────────────────────────────────────────────────────┐ │ KnowinGLOW : 统一多模态自回归核心大脑 │ │ ┌────────┐ ┌────────┐ ┌────────┐ ┌────────┐ ┌────────┐ │ │ │视觉理解│ │语义解析│ │空间推理│ │任务规划│ │动作生成│ │ │ └────────┘ └────────┘ └────────┘ └────────┘ └────────┘ │ │ 同一表征体系 · 自回归生成 (理解与动作共享 token 空间) │ └───────┬───────────────────────────────┬──────────────────────────┘ │ 训练经验 │ 待推演动作 ▼ ▼ ┌────────────────────┐ ┌────────────────────┐ │ KnowinDream │ │ KnowinWorld │ │ 生成式经验引擎 │ ──────► │ 动作条件下的世界推演 │ │ 3D结构 · 物理一致 │ │ 碰撞/接触/可达性 │ └────────────────────┘ └─────────┬──────────┘ 生成多样化训练数据 │ 预判/排除无效路径 ▲ ▼ │ 可执行动作序列 ┌────────────────────────────────────────────────────────────────────┐ │ KnowinAgent (Harness): 长程任务编排 │ │ 任务分解 · 进度管理 · 反馈接收 · 就地修正 · 精细微调 · 记忆存储 │ └────────────────────────────────────────────────────────────────────┘ │ ▼ ┌──────────┐ │ 真实机器人│◄── 环境/本体反馈回流, 驱动 Dream/World/GLOW 迭代 └──────────┘值得注意的是诺因官网knowinai.com tech页面对底层能力还有更细粒度的五模块视角KnowinDream之外还分化出KnowinBrain具身认知与策略核心、KnowinAct生成式动作编码-解码器含Action Tokenizer与Action Chunk与KnowinAgent。9月24日发布的报告将Brain与Act统一进KnowinGLOW本质上是一次认知-动作表征对齐的架构收紧——把想清楚与做到位放进同一个自回归序列减少跨模块的信息损耗。理解这一点就能读懂GLOW在统一vs模块化之间选择的张力。四、KnowinGLOW让认知与动作共享同一套tokenKnowinGLOW是整套架构的核心中枢它最鲜明的特征是原生统一的自回归设计。传统方案往往把理解与执行拆成两个模型先用视觉模型识别场景再用策略网络规划动作最后交由底层运动控制执行。这种拼接式设计的问题在于视觉表征、语义表征与动作表征各自为政跨边界传递必然产生信息损耗与衔接延迟。KnowinGLOW的答案是让视觉理解、语义解析、空间推理、任务规划与动作生成在同一模型内、同一表征体系下完成理解与动作共享同一套离散token空间。从工程角度看这意味着它把看世界“想策略”动身体统一成了一个自回归生成问题给定观测历史与任务上下文逐token生成下一阶段的意图与动作。这种设计的直接收益是一次演示、举一反三的架构基础当人类演示一次操作比如擦桌模型学到的不再是抹布经过了哪些像素位置这种表层轨迹而是一个可复用的目标表征——“把桌面按用户习惯的方式擦干净”。执行时机器人结合眼前环境、本体状态、任务进展与历史反馈实时自回归地生成下一步。用报告中的话说它学习的不是人的手臂经过了哪些位置而是任务要达到什么目标、物品之间存在什么关系、环境变化后该如何继续央广网。下面用一个极简的Python伪代码勾勒这种统一自回归的核心思路仅必要变量命名便于理解数据流python class KnowinGLOW: def __init__(self, vocab_size, d_model, n_layers): self.embed nn.Embedding(vocab_size, d_model) self.decoder nn.TransformerDecoder( nn.TransformerDecoderLayer(d_model, 8, batch_firstTrue), num_layersn_layers) self.lm_head nn.Linear(d_model, vocab_size) def step(self, obs_tokens, state, hist): seq torch.cat([hist, obs_tokens], dim1) x self.embed(seq) x self.decoder(x, memorystate.memory) logits self.lm_head(x[:, -1]) return logits # 同一自回归头同时产出意图token与动作token这里的要点在于动作token与语义token共用同一词表与同一解码器从而实现认知与动作在同一概率分布下的联合生成这正是生成式区别于判别式的代码层体现。接下来我们用Go写出一个状态-动作-世界三步的闭环调度骨架展示GLOW在系统层如何把核心大脑与三个支撑模块串成闭环为贴合实际工程使用必要结构体与变量go type WorldState struct { Objects map[string]string // objectID - state Robot RobotPose Phase int } type GLOWRuntime struct { Brain *AutoregressiveModel Dream *DataGenerator World *PhysicsSimulator Agent *Harness ActionSpace []ActionChunk } func (g *GLOWRuntime) ExecuteTask(task *Task, obs []Frame) error { plan : g.Brain.Plan(task, obs) for _, step : range plan.Steps { cands : g.World.Rollout(step.ActionSet) // 预判 safe : g.World.FilterUnsafe(cands) chunk : g.Brain.GenerateAction(safe[0]) if err : g.Agent.Execute(chunk, obs); err ! nil { g.Agent.Repair(err) // 就地修正 } g.Agent.Record(step) } return nil }五、KnowinDream让机器人在训练阶段就见多识广传统具身智能的第一个瓶颈是数据。高质量的真机操作数据极度稀缺、采集昂贵且难以覆盖长尾场景。KnowinDream正是为破解这一瓶颈而设的生成式经验引擎。它的工作方式建立在3D视觉生成模型之上从有限的真实交互出发学习场景变化规律、物体交互逻辑与任务执行模式再合成具备三维结构与物理一致性的Ego-Centric第一人称具身训练数据覆盖极端光照、复杂材质、多样化布局与长尾上下文中国日报网。KnowinDream最值得玩味的组织逻辑是它的 “Home×Event×Future” 训练条件三元组机器人大讲堂plaintext 图 2KnowinDream 合成经验的 Home × Event × Future 生成流水线 真实交互样本(极少) │ ▼ ┌───────────────────────────────┐ │ Home : 定义交互发生的世界 │ │ · 家庭类型 / 布局 / 家具分布 │ │ · 光照 · 材质 · 纹理 · 背景 │ └───────────────┬───────────────┘ ▼ ┌───────────────────────────────┐ │ Event : 定义世界中的变化 │ │ · 物体初始/目标状态 │ │ · 遮挡 · 干扰 · 摆放扰动 │ └───────────────┬───────────────┘ ▼ ┌───────────────────────────────┐ │ Future : 展开行动后的结果 │ │ · 动作后果 · 状态转移 │ │ · 成败回放 · 风险边界 │ └───────────────┬───────────────┘ ▼ 批量合成: 3D结构 物理一致的 Ego-Centric 数据 │ ▼ 注入不同相机视角 / 不同机器人配置 / 不同用户习惯 │ ▼ 得到泛化的训练数据分布 → 喂给 KnowinGLOW这个三元组的关键在于它把在哪里发生Home“发生了什么Event”做了之后会怎样Future显式分离并组合成数据分布轴。通过变量化调整光照、材质、纹理与背景把少量真实经验扩展成覆盖面极广的训练分布让模型在训练阶段就见过足够多样的世界与变化从而在真实世界里面对没见过的盒子、没见过的浇水壶时依然稳定。诺因官方透露其生成式数据能力已获全球顶级学术舞台验证——在CVPR 2026 EgoCross Challenge中诺因在Source-Limited与Open-Source双赛道同时斩获全球第一中国日报网。这为KnowinDream以身第一人称数据驱动泛化的路线提供了来自学术界的佐证。为了把Home×Event×Future的合成管线落到工程层面下面给出一个Python实现骨架展示如何从少量真实交互出发通过组合世界、事件与未来三个轴批量扩产具备三维结构与物理一致性的第一人称训练样本仅保留变量命名与主干流程python import numpy as np from dataclasses import dataclass, field dataclass class HomeContext: layout: str # living_room/kitchen/bedroom lighting: float # 0.3(昏暗) ~ 1.0(明亮) material: str # wood/glass/cloth cam_pos: tuple # 相机视角 robot_conf: tuple # 机器人配置(臂长/基座高度) dataclass class EventSpec: objects: list # 初始物体状态表 goals: dict # 目标状态映射 occlusions: float # 遮挡程度 perturbations: int # 摆放扰动次数 class HomeExpansionEngine: def __init__(self, real_rollouts, rngNone): self.real real_rollouts self.rng rng or np.random.default_rng(42) def sample_home(self): return HomeContext( layoutself.rng.choice([living_room, kitchen, bedroom]), lightinground(self.rng.uniform(0.3, 1.0), 2), materialself.rng.choice([wood, glass, cloth]), cam_postuple(self.rng.uniform(-1, 1, 2)), robot_conf(self.rng.uniform(0.4, 0.8), self.rng.uniform(0.2, 0.5)), ) def expand(self, n4096): outs [] for _ in range(n): home self.sample_home() ev EventSpec( objects[self.rng.choice(self.real[objs]) for _ in range(3)], goals{target: self.rng.choice(self.real[goals])}, occlusionsround(self.rng.uniform(0, 0.4), 2), perturbationsint(self.rng.integers(0, 3)), ) sample self.render_ego(home, ev) # 3D一致的第一人称帧 outs.append(sample) return outs同理KnowinWorld 的候选动作预判可以抽象为一次对多候选轨迹的打分与剪枝下面是该推演单元的核心逻辑python class KnowinWorldRollout: def __init__(self, dyn_model, horizon16): self.dyn dyn_model # 数据学习到的世界动态模型 self.horizon horizon def roll(self, state, action_pool): scored [] for a in action_pool: traj [state] cost 0.0 s state for _ in range(self.horizon): s_pred self.dyn.step(s, a) cost self.risk(s_pred) s s_pred traj.append(s) scored.append((cost, a, traj)) scored.sort(keylambda t: t[0]) return [(a, t) for _, a, t in scored[:2]] def risk(self, s): coll self.dyn.collision_prob(s) stab 1.0 - self.dyn.contact_stability(s) reach self.dyn.path_unreachable(s) return 0.5 * coll 0.3 * stab 0.2 * reach六、KnowinWorld让机器人学会预判的物理推演引擎如果说KnowinDream解决的是经验从哪来那么KnowinWorld解决的是动作会带来什么后果。KnowinWorld是一个基于数据学习得到的可交互世界表示系统而非传统的物理仿真器。它聚焦空间结构、物体状态、动作影响与任务演化——判断一个动作将如何改变当前环境、任务接下来可能走向哪里。相比无边界地复刻整个开放世界GLOW把模型能力集中到真正影响任务成败的信息上让机器人不仅看见世界更能理解如何作用于世界ZAKER/诺因融资报道。它的工作有两个阶段、两种价值。在训练阶段KnowinWorld可代替真机完成大量试错推演让策略在虚拟交互世界中展开动作、评估结果、筛选有效方案大幅降低真机试错的成本与安全风险。在运行阶段它能在动作真正执行前预判风险——推演碰撞风险、接触稳定性、路径可达性等物理约束排除无效路径既提升执行安全性又提高决策效率央广网。plaintext 图 3KnowinGLOW × KnowinWorld 的感知-规划-执行闭环 ┌────────────────────────────────────────────┐ 观测(相机/本体) │ │ ───────────────►│ KnowinGLOW: 理解场景 长程规划 生成候选动作 │ │ │ │ │ ▼ │ │ ┌───────────────────────┐ │ │ │ KnowinWorld 世界推演 │ │ │ │ 推演碰撞/接触/可达性 │ │ │ │ 评估动作后果 │ │ │ └───────────┬───────────┘ │ │ │ 安全的动作序列 风险标注 │ │ ▼ │ │ KnowinAgent(Harness): 下达并管理执行 │ └────────┬───────────────────────────────────────┘ ▼ ┌─────────┐ │ 真实机器人│──► 执行反馈/失败信号 ──► 回流(RL/偏好对齐) └─────────┘需要强调KnowinWorld与KnowinDream之间不是孤立的。二者构成双引擎自增强闭环——World提供结构约束Dream生成更优数据分布每一次真实执行中的反馈又回流至两者驱动整个系统迭代升级中国日报网。这正是GLOW区别于数据-模型单向链路的关键它是一个生成世界—理解世界—作用于世界—真实反馈的可持续循环。七、KnowinAgentHarness让长程任务不断片具身智能的难点不只在于会不会做动作更在于能不能把一个多步骤长程任务连贯做完。人们常忽视的一点是真实家庭任务洗衣服→叠衣服→收纳、调酒→取杯→倾倒→回正→放回往往长达数十步任何一步的执行偏差都可能让后续全部失控。传统方案一旦中途出错只能从头重来。KnowinAgent上层又称Harness正是为破解长程任务断片而设的上下文驱动任务运行系统。它负责全程管理任务进度、执行反馈与动态调整持续记录执行节点、接收实时反馈出现偏差时在当前进度上就地修正而无需从头重启任务当接近瓶口、碗沿、抽屉把手等精细操作区域时自动切换为小幅微调模式边观察边校准保障长程任务连贯、稳定、精准地完成央广网。我们可以用Go描述Harness的就地修正精细微调状态机核心逻辑比照真实工程中的容错调度go type Harness struct { Nodes []TaskNode Cursor int memory *HomeMemory watch *VisionMonitor } func (h *Harness) Run(done chan bool) error { for h.Cursor len(h.Nodes) { n : h.Nodes[h.Cursor] if err : h.execute(n); err ! nil { h.Recover(n, err) // 就地修正不重启 continue } if h.watch.IsFineGrain(n.Region) { h.Calibrate(n) // 精细区域微调模式 } h.Cursor } done - true return nil }除了过程管理KnowinAgent还承担长期记忆与演进职责存储家庭布局、物体位置、任务历史、用户习惯与偏好将一次操作编码为可复用技能信息供后续任务调用。这使得机器人能在使用中学习——每一次完成任务都在沉淀下一次面对陌生场景时的可用资产。八、生成式学习 vs 传统范式本质差异与竞争力理解了四个模块我们可以把GLOW的生成式学习范式与传统采集数据、模仿执行路线做一个系统对比。诺因官方明确点出了这个差异相比行业主流路线GLOW多了三步——用生成式数据扩展训练规模、在虚拟世界中展开探索试错、将每次执行结果反馈回系统持续修正中国日报网。plaintext 图 4生成式学习范式 vs 传统模仿/判别式范式对比 维度 传统模仿/判别式范式 GLOW 生成式学习范式 ─────────── ────────────────────── ───────────────────────────── 数据来源 真机采集、行为克隆 真实经验 Dream 合成(3D一致) 学习目标 复现训练过的动作映射 生成任务目标/动作序/未来状态 世界理解 隐式、随样本退化 显式 KnowinWorld 预判后果 任务泛化 需为每任务重训/写流程 一次演示, 跨物/跨境/跨任务复用 跨本体迁移 难(动作空间绑定单机体) 物体关系/目标优先, 可迁移重映射 长程执行 易断片、出错需重启 Harness 就地修正 微调 成本曲线 数据边际成本高 合成数据边际成本趋近于零 持续演进 单向模型链路 真实反馈回流, 双引擎自增强闭环这张对比表揭示了一个深层判断传统范式把泛化当作一个单点模型指标去优化而GLOW把泛化当作一项贯穿数据、世界理解、任务规划、动作执行与真实反馈的系统能力。这正是生成式学习范式在具身智能上最本质的竞争力——它不是某一块变得更强而是整个学习回路被重新组织成了生成式的。九、跨本体与跨场景迁移GLOW的工程含义一教就会如果只在同一台机器、同一件物品上成立那不过是一次好的过拟合。GLOW真正值得关注的是它的跨本体迁移能力。plaintext 图 5跨物体/跨环境/跨任务复用拓扑 一次人类完整演示(单个任务, 单件物品) │ ▼ GLOW 编码为可复用技能信息 (目标表征, 非轨迹表征) │ ┌───────────────┼───────────────┐ ▼ ▼ ▼ ┌────────────┐ ┌────────────┐ ┌────────────┐ │ 跨物体复用 │ │ 跨环境复用 │ │ 跨任务复用 │ │ 换盒/换壶 │ │ 换光照/布局 │ │ 组合已有技能│ │ 换抹布 │ │ 换户型 │ │ 调用新技能 │ └────────────┘ └────────────┘ └────────────┘ │ │ │ └───────────────┴───────────────┘ │ ▼ 不同机器人配置 / 不同相机视角下的重映射执行从实操案例看浇水任务中教学用的是黑色细嘴壶执行时换成绿色浇水壶机器人依然顺利完成——GLOW会把演示中抓握方式、对准角度、倾斜幅度等核心逻辑映射到全新器具上自主调整抓取位置与动作姿态机器人大讲堂。擦桌任务中用户沿心形轨迹移动抹布机器人看过一次就能复现同样的心形擦拭——这说明GLOW不仅学到了擦桌子这一任务还捕捉到了怎样擦这一****个性化操作特征**。这些案例验证了GLOW学习表征的抽象层级它学的是物体之间的关系与任务目标而非某一件具体物品、某一条具体轨迹。编码层面KnowinAct的Action Tokenizer从KnowinDream数据中学习可泛化的动作表征解码为边缘端可直接执行的Action Chunk实现高阶策略→平滑物理动作的转换从而让一只手臂学到的能力能在另一组运动学参数上重映射。十、评测体系与硬指标三项第一到底意味着什么技术路线之争最终要靠可量化评测来裁决。诺因报告披露了GLOW在三项国际主流具身评测中的成绩也是其连续三项第一的依据央广网plaintext 图 6GLOW 评测体系与成绩一览 ┌────────────────────────┬────────────────────────────┬─────────────┐ │ 评测基准 │ 核心指标 │ GLOW 成绩 │ ├────────────────────────┼────────────────────────────┼─────────────┤ │ RoboDojo(18项仿真任务) │ 平均成功率 │ 62.2% · 第一 │ │ │ 平均得分 │ 71.1分 │ │ LIBERO-Pro(六个扰动分项) │ Object/Goal/Spatial │ 86.7% · 第一 │ │ │ 单策略模型平均成功率 │ │ │ Embodied Arena │ 2D-Embodied QA 综合得分 │ 65.62 · 第一 │ │ (20个参评模型) │ (KnowinBrain-1.5) │ │ └────────────────────────┴────────────────────────────┴─────────────┘ 补充RoboDojo 成绩较 GPT-6(Robocurve) 基线高出 40 个百分点成功率、41.3 分具体来看在RoboDojo的18项仿真任务中GLOW取得62.2%的平均成功率和71.1分的平均得分较GPT-6Robocurve基线分别高出40个百分点和41.3分南方在LIBERO-Pro的Object、Goal与Spatial六个扰动分项中GLOW独立运行的平均成功率达到86.7%位列单策略模型第一在Embodied Arena的2D-Embodied QA Benchmarks榜单中KnowinBrain-1.5以65.62的综合得分位列20个参评模型第一科技日报。诚然评测设置由诺因自己披露横向对比的基础是否同prompt、同数据、同算力需要审慎看待但物理任务执行RoboDojo 泛化扰动LIBERO-Pro 具身场景问答Embodied Arena三个不同维度的第一确实在同一方向上相互印证——GLOW不仅理解物理场景还能把理解转化为有效的任务执行。这也正面回应了通用大模型是否已能替代专业具身模型的争论通用模型拓展智能的认知边界而专业具身模型以物理交互为核心二者是互补而非取代南方。十一、与行业方案的横向对比VLA、World Model与GLOW要判断GLOW的独特性还需把它放到VLAVision-Language-Action与世界模型World Model的坐标系中。VLA路线如谷歌RT系列把视觉、语言、动作端到端地融合进一个模型是近年来具身智能的主流。GLOW与VLA的最大区别在于对世界的处理经典VLA往往是感知→策略的直接映射世界理解是隐式的随训练分布退化而GLOW把KnowinWorld作为显式的物理推演单元在动作生成前先预判后果相当于在VLA之上叠加了一个可校验的世界约束层。World Model路线如Sora等生成式世界模型把重点放在生成未来帧/未来世界上希望以视频生成驱动具身决策。GLOW的KnowinWorld与其部分同源都强调从数据学习世界的动态表示但GLOW刻意把能力集中到真正影响任务成败的信息上而不是无边界地复刻整个开放世界——这是一种工程上的务实取舍与其生成完整的高保真视频不如精准预测这个动作会不会撞到、能不能稳定接触、路径可不可达。plaintext 图 7GLOW vs 经典 VLA vs 生成式世界模型(World Model) 范式定位 纵轴: 生成画面级未来 ▲ │ World Model│ ◄──── GLOW 综合定位 (视频生成) │ (显式世界推演 统一自回归) │ ▲ │ │ 生成目标/动作/后果 ────────────────┼────────────────────┼───────────────► 生成粒度 经典 VLA │ │ (隐式世界映射) │ │ │ │ ▼ │ 横轴左端: 判别式状态→动作 │ 显式可校验的世界约束简单说VLA解决了如何让一个模型同时理解语言与产出动作World Model解决了如何预测世界而GLOW试图把两者在生成式这个统一框架下合并并补上长程编排的Harness这一环。这是它在架构上相对主流方案的差异化所在。十二、企业背景与产业化从模型到家庭的最后一公里架构先进不等于产品成功。GLOW想要抵达的真实目的地是进入每一个家庭。诺因智能成立于2025年8月总部在深圳聚焦消费级家庭场景研发通用具身大模型截至2026年中研发团队超200人90%来自常春藤、清华、北大及C9等顶尖院校ZAKER。在资本端诺因于2026年8月宣布完成5亿元人民币天使轮融资由经纬创投领投红点创投、商汤国香资本、华登科技、光源创业者基金等跟投诺因融资报道。这笔资金明确指向GLOW生成式具身大模型的研发与Knowin-X1的量产准备。在产品端首款机器人Knowin-X1采用全折叠双臂构型折叠后高度控制在40厘米以内收纳体积仅为同类产品的几分之一展开后双臂可覆盖桌面、地面、柜体三类核心家庭操作面承担洗衣、叠衣、搬运、收纳等完整家庭任务链。其折叠构型不是把机器人做小而是在保持完整双臂负载能力的前提下做到极致可收纳——这本身就是一项工程极限跃迁中国日报网WAIC报道。在WAIC 2026上Knowin-X1在真实家庭场景灯光持续变化、观众随机挪动物品、人流遮挡中现场完成了桌面收纳、洗衣闭环与衣物折叠三项全链路任务全程依赖自然语言交互无遥控无人工干预中国日报网。产品预计2027年正式上市定位数万元价格带。plaintext 图 8GLOW 从模型到产品到真实反馈的产业化飞轮 GLOW 模型系统 ──► 驱动 Knowin-X1 硬件本体 ▲ │ │ ▼ 真实家庭任务执行(Sorting/Laundry/Folding/调酒...) ▲ │ │ ▼ 经验回流: 成功/失败/偏差 ──► 双引擎(World/Dream)迭代 ──► 模型进化十三、冷思考GLOW范式面临的真实挑战作为一篇技术博客我们也有必要对GLOW保持建设性的审慎。即便四项模块的设计逻辑相当自洽仍有几个问题需要时间与更大规模部署来回答其一合成数据的物理一致性边界。 KnowinDream通过扩大量与多样性来逼近真实但合成数据与真实物理之间的域差domain gap仍是具身智能的经典难题。当训练分布过度依赖合成经验时极端长尾的真实物理现象打翻液体、毛发缠绕、绳结能否被可靠覆盖需要更大规模的实测数据。其二一教就会的上限。 报告展示的场景开盒收纳、浇水、擦桌、调酒都属于结构相对清晰的家庭任务。面对高度非结构化、需要深度物理推理与多轮创造性的任务烹饪、维修、照料一次演示是否依然成立尚不确定。诺因对消费者也保持着演示教学而非出厂即全能的诚实定位资本报道——这既是对泛化边界清醒认知也是产品化前的务实收敛。其三自回归动作生成的长程累积误差。 统一自回归虽然消除了跨模块损耗但token级自回归在超长任务序列上不可避免地存在误差累积。Harness的就地修正能在一定程度上缓解但边生成边犯错边修正的算力与延迟代价在边缘端实时运行Action Chunk需在本地转换为平滑臂部运动时是否可接受是工程化必须攻克的关隘。其四评测的可比性。 对标的基线如GPT-6 Robocurve在提示词、数据与算力上是否一致报告并未充分展开横向比较需谨慎采信。十四、结语具身智能的下半场看的不是demo而是回路综观GLOW架构它给出的未必是终极答案但确实是一份高质量的路线样本用统一的生成式自回归对齐认知与动作用KnowinDream打破数据稀缺的天花板用KnowinWorld把世界从被感知升级为被推演用KnowinAgent/Harness守住长程任务的连续性——四者通过真实反馈回流被焊接成一个可持续自增强的学习闭环。从复现训练过的动作走向解决没有完整见过的任务是具身智能从舞台demo走向真实家庭的关键一跃。GLOW的价值正在于它率先把这一跃迁所需的数据、世界、行动与反馈四大要素组织成了一个可迭代的生成式回路。具身智能竞争的下半场真正起决定性作用的或许不再是某一次惊艳的演示视频而是谁能让机器在不断的使用中把每一次真实的错误都转化成为下一次泛化的养料。“让机器人从数据中生成本领”这句诺因对GLOW的概括恰恰点破了2026年具身智能最深层的范式转向当模型自回归地生成动作、生成世界、生成经验时机器人学习的不再是照搬而是生成。而生成二字正是迈向通用具身智能的那把钥匙。