GigaBrain-0: 一种基于世界模型的视觉-语言-动作模型

arXiv 25.10 2025 66.6 method, application

TLDR

GigaBrain-0利用世界模型生成的数据训练VLA机器人，减少真实数据需求并提升泛化能力。

评分理由

The paper presents a novel approach leveraging world models for data generation, which reduces reliance on expensive real-world data and shows strong generalization in real-world tasks. However, the abstract lacks details on the world model architecture and potential limitations of synthetic data.

Read-first 评分解释

综合优先阅读分 66.6，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 51。

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

主题相关性 42%

72.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、实验

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：工件、GitHub

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：115。

关键词评分

world model

generative world model

world simulator

video world model

world dynamics prediction

interactive world model

model-based reinforcement learning world model

深度分析

创新点

利用世界模型生成的数据（视频生成、real2real迁移、人类迁移、视角迁移、sim2real迁移）训练VLA模型，减少对真实机器人数据的依赖。
引入RGBD输入建模和具身思维链（CoT）监督，用于空间推理和长程任务执行。
提出GigaBrain-0-Small，一种针对NVIDIA Jetson AGX Orin等边缘设备优化的轻量级变体。

方法

GigaBrain-0是一种视觉-语言-动作（VLA）基础模型，训练数据由世界模型生成，包括视频生成、real2real、人类迁移、视角迁移和sim2real迁移。模型使用RGBD输入和具身思维链监督来推理空间几何、物体状态和长程依赖关系。在实际的灵巧操作、长程操作和移动操作任务上进行了评估，通过与先前VLA系统的比较隐含了基线。

关键结果

GigaBrain-0在外观（纹理、颜色）、物体放置和相机视角的变化下实现了优越的泛化能力，在灵巧操作、长程操作和移动操作任务上取得了显著的现实世界性能提升。

局限性

依赖世界模型生成的数据可能引入领域差距或伪影，影响现实世界迁移。
该方法仍需要一些真实机器人数据（尽管显著减少），且世界模型生成所有任务变体的可扩展性尚未完全解决。
轻量级变体GigaBrain-0-Small相比完整模型可能容量或性能有所降低。

技术栈

world modelsvideo generationreal2real transferhuman transferview transfersim2real transferRGBDChain-of-Thought (CoT)NVIDIA Jetson AGX Orin

资源

论文项目