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，视觉目标条件动作推理），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），已在智元 AgiBot A2 全尺寸人形双足机器人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 以 AgiBot A2 为平台，面向长时程连续作业，采用分层架构：子目标规划器和子目标执行器共享预训练世界模型表征，实现“先规划、再执行”。子目标规划器根据当前画面和语言指令预测下一子任务完成后的视觉子目标，执行器再生成未来画面和动作序列。相比直接使用视频生成模型的路线，ViGAR 具备显式子任务推理、上下文学习能力，并让规划与执行互相增益。
仿真评测中，ViGAR 在 RoboTwin 2.0 Clean2Random 基准上取得 Clean 82.00%、Random 67.02%、平均 74.51% 成功率。真机实验中，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；在五项长时程任务测试中平均任务完成进度 0.69，领先 π0.5（0.60）和无子目标规划的 Cosmos3-Nano-Policy（0.54）。研究团队已公开论文、代码与模型权重及训练代码与数据，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。