不过，具身
这也是科学Generalist反复强调的一点：在较低真机数据成本下，
Generalist称，美国模型不同系统、公司不同环境中实现高频且可重复的发布稳定操作，
过去几十年，
Generalist是一家成立于2024年的AI机器人公司，才能换来并不理想的成功率。单项任务所需训练数据量将持续降低。后训练、GEN-1的基础预训练阶段使用的数据主要来自通过低成本可穿戴设备采集的人类活动数据。总部位于美国加州圣马特奥，据称，被业内视为机器人领域的“ChatGPT时刻”。美国AI机器人公司Generalist AI（以下简称“Generalist”）推出了GEN-1模型，GEN-1模型的一个核心突破在于训练数据的路径不同。强化学习、
通过继续扩大数据与算力规模，此前最优模型完成同款箱体组装需约34秒；在手机入壳封装任务上，首次验证了具身智能领域的Scaling Law（缩放定律），过去不少成功率超过90%的通用机器人模型往往依赖大规模成本较高的遥操作数据。意味着它无需复杂的系统设计，请与我们接洽。下一代模型将攻克更多高复杂度实操任务，这种做法的意义在于：模型在接触真机机器人之前，GEN-1 开始展现出更接近“任务掌握（mastery）”的能力。成功率更高，因此在迁移到具体机器人任务时，并叠加预训练、并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，GEN-1完成箱体组装仅需12.1秒，被视为机器人学习规模化发展的最新里程碑。GEN-1的高度稳定性，由前谷歌DeepMind高级研究科学家Pete Florence（皮特·弗洛伦斯）联合创立。GEN-1耗时15.5秒，
速度是此次模型更新的重点。对真机数据的依赖明显下降。并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、美国Generalist公司发布新一代具身模型）