Generalist发布GEN-1.5具身模型：物理AI正在接近GPT-3时刻
Generalist发布具身基座模型GEN-1.5，首次展示“物理提示”能力：机器人观看一段3–12秒的演示后，无需更新参数即可在新场景中尝试执行新任务。该模型在10项新任务上的一次示范平均成功率为59%，结合约5分钟数据后可提升至83%。业内将这一进展视为物理AI scaling路线上的关键节点，并开始与GPT-3时刻类比。
事件概述
Generalist发布具身基座模型GEN-1.5。该模型首次展示“物理提示”（physical prompting）能力：研究人员用简易夹爪演示一段3–12秒的操作后，机器人无需微调或更新参数，即可在新的物体位置和初始状态下尝试执行同一任务。这种“看一次示范就学会新任务”的能力，被曾参与Google DeepMind Gemini Robotics的研究者Ted Xiao称为机器人领域追寻多年的“圣杯”，并让他联想到第一次使用GPT-3时的感受。
核心信息
-
三种新能力：GEN-1.5支持对未见变化的直接泛化（如碗被纸盖住时会先移开纸）；物理提示组合（将两个单独示范连接成连续动作，并补齐示范中未出现的调整位置、换手等动作）；以及用1–5分钟数据、1–10次参数调整将新任务学得更稳。
-
数据与效果：在10项新任务上，一次提示的平均成功率为59%；使用约5分钟数据和10次参数调整后，成功率提高到83%。训练所需的参数调整已从过去的数百次压缩到0次。
-
scaling路线延续：2025年11月GEN-0以27万小时真实操作数据证明物理数据可scale；2026年4月GEN-1在数据超50万小时后，简单任务平均成功率从64%升至99%。GEN-1.5与GEN-1同时启动，连续预训练超过八个月。
-
数据采集方式：Generalist采用低成本手持采集设备，让人在家庭、仓库和工厂中自然操作，而非传统遥操作。已部署数千套采集硬件，训练系统一天可读取相当于6.85年的人类操作经验。
-
公司背景：Generalist成立于2024年，三位联合创始人Pete Florence、Andy Zeng来自Google DeepMind（曾参与PaLM-E、RT-2），Andrew Barry来自Boston Dynamics。GEN-1约99%参数从头训练，不依赖现成语言/图像模型。
值得关注
GEN-1.5的发布被视为物理AI迈向“GPT-3时刻”的重要信号。英伟达机器人研究负责人Jim Fan持“谨慎乐观”态度，指出人类数据中的重复和失误恢复可能是能力来源，同时提醒“一次示范”的有效性取决于新任务与预训练数据的距离。目前公开结果限于10项简单任务，数据均来自Generalist自测，缺少完整论文和训练细节。但物理提示所指向的“任务留在眼前、不需要为每项工作永久改变参数”的模式，可能重塑机器人部署成本中最难下降的部分——为每一个新用途重新教学机器人的代价。