GEN-1.5 模型带来重要进展：一次物理提示成功率 59%，5 分钟数据可提至 83%，物理 AI 正在接近 GPT-3 时刻

深度分析 · 2026

核心论点

当机器人模型证明物理智能可以沿 scaling 曲线进步，新任务所需训练从数百次参数调整压缩到零次，物理 AI 正接近类似 GPT-3 的智能涌现时刻。

编辑部判断

物理 AI 的 GPT-3 时刻尚未完全到来，但 GEN-1.5 提供了迄今最接近这一时刻的实证：它把"让机器人看一次示范就学会新任务"从研究愿景变成了可测量、可沿 scaling 曲线推进的现象。真正值得关注的不是 59% 的一次提示成功率，而是新任务所需训练成本随数据规模增长而急剧下降的趋势。

一、GEN-1.5 的核心突破：泛化、失误恢复与物理提示

GEN-1.5 的关键不是单项任务成功率，而是机器人开始从海量人类操作数据中天然存在的重复、失误与恢复中，学习到训练者没有逐项教过的动作，并出现类似大语言模型的智能涌现迹象。

物理提示成功率对比 ↓ 训练成本下降

一次提示

59% 10 项新任务 · 零参数更新

少样本微调

83% 5 分钟数据 · 10 次参数调整

↓ 从数百次参数调整压缩到零次或个位数调整

物理提示一次示范成功率

59%

10 项新任务，不进行微调、不更新参数；物体位置和初始状态会发生变化。GEN-1.5 在看一次 3 到 12 秒示范后、不更新任何参数的情况下达成。

少样本快速学习后的成功率

83%

使用约 5 分钟、10 到 50 次演示数据，并调整 1 到 10 次模型参数后，10 项任务的平均成功率提高到 83%。仍是训练，但已从过去数百次调整压缩到几次。

让机器人看一次示范，就立刻学会一项新任务，是机器人领域追寻多年的圣杯。 Ted Xiao · 曾参与 Google DeepMind Gemini Robotics 的研究者

二、物理提示：机器人的 prompt 接口

物理提示与给大语言模型一段 prompt 非常相似：示范没有被训练进模型，只是临时告诉机器人这一次要做什么；模型以 100Hz 输出动作轨迹，并在执行中继续观察和修正。

上下文与动作频率

30 秒上下文 / 100Hz 动作输出

模型同时处理视频、其他传感器、语言和机器人自身状态。GEN-1.5 将示范放入一个 30 秒的上下文窗口，其余空间持续加入机器人最新看到的画面，实现边执行边修正。

部署成本对比：从传统到物理提示

⚙

传统机器人部署

每增加一种用途，都要重新采集数据、训练模型、上机测试并反复修正；真正的昂贵之处在于让机器人在新现场可靠地做新工作。

▼

▶

Physical Prompting

人用简易夹爪演示 3 到 12 秒，机器人零参数更新，随即在新的物体位置和初始状态下尝试同一任务。

▼

⚡

分钟级微调

提供 1 到 5 分钟、约 10 到 50 次演示，调整 1 到 10 次参数，即可把新任务成功率从 59% 提升到 83%。

这更像是在提醒模型一件它几乎已经会做的事。 Generalist · GEN-1.5 发布说明

三、Generalist 是谁：不造明星机器人，押注底层智能的 scaling 路线

Generalist 不打算再造一款明星人形机器人，而是想训练一套可以进入不同机械臂、夹爪和工具的底层智能。它几乎把过去两年的全部赌注押在同一个判断上：物理智能也可以 scaling。

Generalist 与 Figure 的路线差异

Generalist 不生产像 Figure 那样不断出现在聚光灯下的人形机器人，而是为不同形态的机器人训练同一种底层智能，关心同一种智能能不能换一双手、换一台机器后仍然继续工作。

Figure 把模型和一具完整的人形身体一起交付，通过人形机器人演示获得公众知名度。

Generalist 拒绝简单将 GEN 系列称为 VLA 或 world model。它的公开展示方式更直接：看到当前画面和刚才的示范，持续决定下一步怎样动；模型内部很可能已经形成某种对物理世界的理解。

Generalist 规模数据聚合

GEN-0 数据规模

超 27 万小时

2025 年 11 月发布时已积累，并以每周超过 1 万小时的速度继续增加。扩大预训练后，16 组新任务的动作预测误差同时下降，真实机器人成功率随之提高。

GEN-1 数据规模

超 50 万小时

2026 年 4 月；简单任务成功率 99%，折盒和手机包装速度提升至约 3 倍。

模型路线选择

约 99% 参数从头训练

不依附 Gemini、GPT 或其他已读互联网图文的模型；主要从物理经验中建立能力。

数据采集方式

低成本手持设备 + 简易夹爪

已在不同地区部署数千套采集硬件；训练系统一天可读取相当于 6.85 年的人类操作经验。

工具泛化范围

多种末端工具 / 约 9000 种夹爪改装

GEN-1 已接入五指手、夹钳、电动螺丝刀、打蛋器等，以及约 9000 种标准夹爪的改装形态。

融资与估值

累计融资超 5 亿美元，估值 20 亿美元

2026 年 6 月完成 4 亿美元融资；Radical Ventures 领投，英伟达、Bezos Expeditions 等参与。

四、为什么是 GPT-3 时刻：智能涌现的早期接口

一次提示只有 59% 的成功率，并不足以部署，但它是 scaling 曲线上的一个新现象：随着模型看到更多物理经验，新任务需要的专门训练从数百次参数调整一路降到零。

参数变化幅度

不到 0.15%

GEN-1.5 与 GEN-1 几乎同时启动，连续预训练超过八个月；即便调整 10 次，模型内部参数的整体变化也不到 0.15%。Generalist 认为这已经不像从头学习，更像在提醒模型一件它几乎已经会做的事。

GPT-3 与 GEN-1.5：同一个现象的两种形态

🧠 GPT-3 的语言接口

只看一个例子，平均准确率约 45%；看到约 100 个例子后约 65%。它让世界第一次相信，同一个模型可以通过文本 prompt 临时学会许多不同任务。

45% → 65% （1例 → 100例）

🤖 GEN-1.5 的物理接口

一次物理提示在 10 项新任务上平均成功率 59%；使用约 5 分钟数据并调整 10 次参数后可达 83%。它展示的是 prompt 接口在物理世界里的早期形态。

59% → 83% （一次提示 → 分钟级微调）

对 GEN-1.5 的判断是谨慎乐观。人类数据中的重复和错误恢复很可能是关键；一次示范能不能成立，取决于新任务离预训练数据有多远。 Jim Fan · 英伟达机器人研究负责人

五、限制、行业影响与判断

限制同样清楚：10 项任务都比较简单，平均成功率只有 59%；物理提示对复杂柔性物体、长时间任务和完全陌生场景是否有效还没有答案；所有核心数字都来自 Generalist 自己，尚未公布足以完整复现的论文、参数和训练细节。

⚠ 限制与风险提示

! 10 项任务均较为简单，平均成功率仅 59%，复杂柔性物体、长时间任务和完全陌生场景尚未验证。

! 所有核心数字由 Generalist 自行披露，暂无第三方复现验证。公司未公布 GEN-1.5 的准确参数规模、从头训练比例和完整训练配方。

! 物理提示未消除安全验证、现场集成和硬件维护等部署成本，仅改变了"每增加一种用途都重新教一遍机器人"这一环节。

✦ 关键洞察物理提示指向的另一种可能，是把任务留在眼前：机器人不必为每一项工作永久改变参数，使用者只需要告诉它这一次要做什么。这不会消除安全验证、现场集成和硬件维护，但可能改变部署成本中最难下降的部分。

Generalist 和 Sunday Robotics 对行业的推动是巨大的：它们总能拿出一些此前少见、事后看来又很合理的设计。陈哲 · 投资人

原本被认为难以迁移到机器人的人类数据，开始成为资本愿意下注的技术路线，也改变了投资人对路线的认可程度。陈凯 · 深度机智创始人

物理提示指向的另一种可能，是把任务留在眼前：机器人不必为每一项工作永久改变参数，使用者只需要告诉它这一次要做什么。这不会消除安全验证、现场集成和硬件维护，但可能改变部署成本中最难下降的部分——每增加一种用途都重新教一遍机器人的代价。