诺因发布GLOW框架：原生自回归模型重塑家庭机器人“一教就会”新范式

【科技纵览】清晨，当厨房传来细微的器物碰撞声，机器人管家X1已静候餐桌旁。它无需指令便拉开座椅，转身拾起逗猫棒，精准捕捉猫咪扑跃的瞬间节奏，甚至能模仿人类心形擦桌的习惯轨迹。这种极具个性化的家庭服务场景，正是诺因（Knowin）试图通过其最新发布的生成式学习框架GLOW（Generative Learning of World）实现的愿景。不同于传统预装程序的僵化，GLOW主张通过单次演示让机器人掌握技能，并泛化至多变环境。

在诺因公布的四组实机对照中，“一教就会”的能力得到了直观验证。无论是更换收纳物品后的开盒合盖，还是将黑色细嘴壶替换为绿色浇水壶后的浇花动作，机器人都能准确迁移抓持与倾斜逻辑。更令人惊叹的是，它能复现人类沿心形轨迹擦桌的独特习惯，或在调酒任务中适应杯具位置变化，完整执行取杯、倾倒及回正流程。值得注意的是，这些操作均未调整模型权重，仅凭视觉观察即可上手，展现了极强的对象识别与空间泛化能力。

数据层面，GLOW在多项权威榜单中表现抢眼。在RoboDojo的18项复杂任务中，其平均成功率达62.2%，较GPT-6(Robocurve)提升40个百分点；在LIBERO-Pro测试中以86.7%的成绩位居单模型榜首；在Embodied Arena的2D-Embodied QA Benchmarks中，更是以65.62的综合得分从20个具身模型中脱颖而出。这一系列成绩背后，是诺因对“原生自回归”技术路线的坚持。

与传统VLA路线将视觉编码与动作模块分离不同，GLOW的核心KnowinGlow是一个统一的自回归模型。它将视觉、语言及动作编织进同一序列，BrainSkill负责语义理解，ActSkill负责闭环动作生成。模型上下文实时融合RGB-D画面、语音指令及机械臂状态，像续写文章一样生成精确到毫米级的三维位姿与控制信号。这种架构避免了复杂的表示转换，实现了大脑与双手的深度协同。

然而，理解任务不等于完美执行。在仿真厨房测试中，面对卡住的抽屉，号称AGI的GPT-6 Astra因缺乏物理反馈而陷入死循环，纠正1200步仍未成功。相比之下，GLOW依托Harness任务运行系统，通过位移残差感知阻力，迅速切换水平接近与对角闭合策略，仅用1138步便顺利开启。在抓瓶放碗任务中，GLOW亦凭借157步的高效操作，将误差控制在6.9毫米内，远优于对手的3.4厘米偏差。这种具备“痛觉”的闭环反馈机制，使其能在微调中确认夹持稳固性，模拟出类似人类的物理试探本能。

为解决家庭场景数据稀缺难题，诺因引入了KnowinDream引擎。该引擎能根据户型与家具生成虚拟家庭，并模拟家人干扰等动态事件。真机运行的成功或失败经验会被回流至系统，重建场景并扩增相似案例，交由KnowinWorld推演验证。这种“左脚踩右脚”的自我进化模式，不仅降低了数据采集成本，更为机器人在非标环境中的持续学习提供了无限可能。从某种角度看，这标志着具身智能正从单纯的算法竞赛，转向对物理世界真实交互能力的深层重构。