智元×北大联合发布 ViGAR：首个面向全尺寸人形机器人的世界---动作模型

2026年10月，智元联合北京大学 DA Group、CocoMatrix 团队发布 ViGAR（Visual Goal-conditioned Action Reasoning），是首个面向全尺寸人形双足机器人的完整世界-动作模型（WAM），已在真实全尺寸人形双足机器人 AgiBot A2 上完成多步骤操作验证。在 RoboTwin 2.0 排行榜仿真评测中，ViGAR 发布时曾登顶，截至发稿位列总榜第三。ViGAR 采用“先规划、再执行”分层架构：子目标规划器根据当前画面和语言指令预测下一个子任务完成后的场景，子目标执行器基于该子目标生成未来画面和动作序列，两者共享预训练世界模型表征。训练技术创新包括子目标前瞻和末端执行器 ROI 加权，消融显示去掉后性能下降约12个百分点。仿真方面，RoboTwin 2.0 Clean2Random 基准 Clean 82.00%、Random 67.02%、平均成功率74.51%，超越最强基线12.81个百分点；50项任务中13项全榜最高。真机方面，使用约900小时同平台遥操作数据训练，覆盖752项任务、200余种物体和10余种背景。在 AgiBot A2 上五项长时程任务平均完成进度0.69，领先 π0.5（0.60）和使用相同数据配方但无子目标规划的 Cosmos3-Nano-Policy（0.54）。上下文学习评测显示，桌面物品收纳域内进度0.83、域外0.52；水果摆放域内0.72、域外0.43。已公开论文、RoboTwin 评测代码、模型权重、训练代码与数据；后续计划应用于 A3 平台并推进约900小时 A2 真机采集数据开放，智元 HERA 平台支持采集训练部署一体化。