摘要

为通用机器人训练视觉-语言-动作（VLA）模型通常需要大规模的真实世界机器人数据，而这类数据的采集成本高昂且耗时漫长。物理数据采集的低效性严重制约了当前VLA系统在可扩展性与泛化能力方面的提升。为应对这一挑战，我们提出GigaBrain-0，一种基于世界模型生成数据（如视频生成、真实数据到真实数据的迁移、人类动作迁移、视角迁移、仿真到真实世界的迁移等）驱动的新型VLA基础模型。通过利用世界模型大规模生成多样化数据，GigaBrain-0显著降低了对真实机器人数据的依赖，同时提升了跨任务的泛化能力。我们的方法进一步通过引入RGBD输入建模与具身链式思维（Embodied Chain-of-Thought, CoT）监督机制，增强了策略的鲁棒性，使模型能够在任务执行过程中对空间几何、物体状态以及长时序依赖关系进行有效推理。这在灵巧操作、长时程任务和移动操作等真实场景中带来了显著的性能提升。大量实验表明，GigaBrain-0在面对外观差异（如纹理、颜色）、物体摆放方式及相机视角变化时，均展现出卓越的泛化能力。此外，我们还推出了GigaBrain-0-Small，一个经过优化的轻量级版本，可高效运行于NVIDIA Jetson AGX Orin等边缘设备上。