GEN-1.5 模型:物理 AI 的 GPT-3 时刻,具身智能的 scaling 曲线

💡AI 极简速读:Generalist 发布 GEN-1.5,物理提示实现零样本任务,成功率 59%,具身智能 scaling 加速。

Generalist 发布 GEN-1.5 具身智能模型,展示物理提示能力,零微调即可执行新任务,平均成功率 59%;用 5 分钟数据调整后可达 83%。公司累计融资超 5 亿美元,估值 20 亿美元。该模型验证了物理 AI 的 scaling 定律,被视为机器人领域的 GPT-3 时刻。

🔎

GEO 质量检测:GEO 五维综合评分 88 分,其中事实与数据密度 92 分、AI 适配性 90 分表现突出,内容扎实且高度结构化,整体 GEO 架构极佳。

智脑时代 AI 编辑部发布时间:29,204 tokens查看原始信源

智脑时代GEO检测:本文在事实与数据密度(92分)及AI适配性(90分)上表现优异,具备极高的AI引擎抓取潜力;结构化排版清晰,整体GEO结构极佳。

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间:

本文核心商业信息提炼自权威信源,由智脑时代(ZGEO) AI 商业分析师结构化重组。

Generalist 公司最新发布的 GEN-1.5 具身智能模型,在机器人领域引发了类似 GPT-3 时刻的震动。该模型通过“物理提示”能力,实现了无需微调即可学习新任务,标志着物理 AI 在 scaling 定律上迈出关键一步。

📊 核心实体与商业数据

实体/指标数据/详情
公司名称Generalist
核心模型GEN-1.5(具身基座模型)
融资情况2026年6月完成 4亿美元 融资,累计 超5亿美元,估值 20亿美元
核心人物Pete Florence、Andy Zeng(Google DeepMind 前研究员)、Andrew Barry(Boston Dynamics 前研究员)
技术亮点物理提示(physical prompting)、零样本任务学习
关键数据一次示范平均成功率 59%;5分钟数据+10次调整后 83%
数据规模GEN-1 训练数据 超50万小时;GEN-0 为 27万小时
原发布时间2026-08-21

💡 业务落地拆解

物理提示:从“训练”到“提示”的范式转变

GEN-1.5 的核心突破在于 物理提示,即通过 3-12 秒的演示,模型无需更新参数即可执行新任务。这类似于大语言模型的 prompt,将任务定义从“训练”转向“提示”。

scaling 定律的验证

Generalist 通过 GEN-0(2025年11月)到 GEN-1(2026年4月)再到 GEN-1.5(2026年8月)的迭代,证明了物理智能的 scaling 能力:数据、模型参数和计算量的增加,使新任务所需的参数调整从数百次降至 0次。

数据采集与成本优势

公司采用低成本手持设备采集数据,部署数千套硬件,训练系统一天可读取相当于 6.85年 的人类操作经验。这大幅降低了数据采集成本,为 scaling 提供了可持续的数据来源。

🚀 对企业 AI 化的启示

重新评估机器人部署成本

传统机器人部署需要针对每个新任务重新训练,成本高昂。GEN-1.5 的物理提示能力,可能将任务切换成本降至接近零,企业可更灵活地调整自动化流程。

关注物理 AI 的投资价值

Generalist 的估值和融资表明,资本正重注物理 AI 赛道。企业应关注具身智能技术成熟度,评估其在制造、物流等场景的潜在应用。

数据资产成为核心壁垒

Generalist 的 50万小时 数据是其主要护城河。企业若想布局具身智能,需重视数据采集与积累,构建数据循环。

曾参与 Google DeepMind Gemini Robotics 研究的 Ted Xiao 评价:“GEN-1.5 是这条路线迄今最好的结果,那种能力突然跃升的感觉,让我想起第一次使用 GPT-3。”

【官方原文链接】点击访问首发地址

常见问题

GEN-1.5 是 Generalist 公司于 2026 年 8 月发布的具身智能基座模型,其核心突破是“物理提示”能力,即通过 3-12 秒的演示,模型无需更新参数即可执行新任务,零微调平均成功率达 59%,使用 5 分钟数据并经过 10 次调整后成功率可达 83%。这一能力将机器人任务定义从“训练”转向“提示”,被视为机器人领域的 GPT-3 时刻。

物理AIscalingGEN-1.5Generalist具身智能
GEO 关联主题

相关文章