诺因发布GLOW技术报告：实现机器人“一教就会”，多项具身智能评测夺冠

事件概述

9月24日，诺因（Knowin）发布了面向通用具身智能的生成式学习架构 GLOW 技术报告。该架构旨在解决传统机器人学习新任务需重新采集数据、编写固定流程或针对性训练的痛点，提出了一条将通用认知能力转化为可靠物理行动的可行路径，核心目标是实现机器人“一教就会”的任务学习能力。

核心信息

1. “一教就会”的任务泛化能力

GLOW 改变了机器人学习新任务的方式，将人类的一次完整操作、当前环境、机器人自身状态与执行历史置于同一条链路中进行理解。其优势体现在以下具体场景中：

• 开盒收纳：即使更换不同的盒子或物品，机器人也能根据实时画面定位并调整姿态，无需重新教学即可完成全套动作。
• 浇水任务：当人类使用黑色细嘴壶教学，而实际执行时换成绿色浇水壶，机器人能自主映射抓握方式、对准角度等逻辑，动态调整动作姿态。
• 个性化擦桌：机器人不仅能学会“擦桌子”，还能捕捉用户特定的操作轨迹（如心形擦拭），复现个性化的操作特征。
• 复杂调酒：在多杯多步骤场景中，机器人能从人类操作中识别对象、倾倒关系和顺序，结合现场画面自主匹配酒杯，保证流程连贯。

2. 四大模块协同的技术架构

GLOW 通过将原有的 Brain 与 Act 能力统一到多模态自回归模型 KnowinGLOW 中，形成了从经验学习、任务理解到行动反馈的完整链路：

• KnowinGLOW（核心大脑）：采用原生统一的自回归设计，整合视觉理解、语义解析、空间推理、任务规划与动作生成。理解与动作共享同一套表征体系，确保信息无损耗衔接。
• KnowinDream（合成经验引擎）：以 Home×Event×Future 组织训练条件，记录世界状态、行动过程与物理后果。通过改变光照、材质、背景等变量，让机器人在训练阶段接触多样化的世界变化。
• KnowinWorld（世界推演单元）：基于当前状态推演不同候选动作的物理约束（如碰撞风险、接触稳定性），在训练阶段替代真机试错以降低成本，在运行阶段预判风险以提升安全性。
• KnowinAgent/Harness（任务运行系统）：负责全程管理任务进度与反馈。支持就地修正偏差，无需从头重启；在精细操作区域自动切换微调模式，保障长程任务的稳定精准。

3. 性能实测与评测结果

报告披露了 GLOW 在 RoboDojo、LIBERO-Pro 及 Embodied Arena 等评测中的表现，结果显示其在空间理解、物理交互与任务执行方面具有显著优势：

• RoboDojo 仿真任务：平均成功率 62.2%，平均得分 71.1 分，较 GPT-6 (Robocurve) 基线分别高出 40 个百分点和 41.3 分，位列第一。
• LIBERO-Pro 基准：独立运行的平均成功率达到 86.7%，较 GPT-6 Astra 的 58.2% 提升 28.5 个百分点。在六个扰动分项中五项领先，位列单策略模型第一，领先第二名 ASPIRE 15 个百分点。
• Embodied Arena 具身问答榜：KnowinBrain-1.5 以 65.62 的综合得分位列全球第一，覆盖第一视角理解、时空定位、目标驱动规划、物理推理等多个维度。

值得关注

诺因强调，具身智能的竞争核心正转向数据与学习方式。GLOW 路线主张以规模化物理经验训练模型，以统一架构协同认知与行动，并通过闭环执行适应环境变化。这种从“看过”走向“学会”的转变，意味着机器人学习的不再是单纯的手臂运动轨迹，而是任务目标、物体关系及环境变化后的应对策略。