GigaBrain-0：一个由世界模型驱动的视觉-语言-动作模型

训练用于通用机器人的视觉-语言-动作（VLA）模型通常需要大规模的真实世界机器人数据， 这既昂贵又耗时。物理数据收集效率低下严重限制了当前 VLA 系统的可扩展性和泛化能力。 为了解决这个挑战，我们引入了 GigaBrain-0，一个由世界模型生成数据（例如，视频生成、 真实到真实转换、人类转换、视角转换、模拟到真实转换数据）赋能的新型 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 显著减少了对真实机器人数据的依赖，同时提高了跨任务泛化能力。我们的方法通过 RGBD 输入建模和具身思维链（CoT）监督进一步提高了策略鲁棒性，使模型能够在任务执行过程中 推理空间几何、物体状态和长程依赖关系。这在灵巧、长程和移动操作任务的真实世界性能上 带来了显著提升。大量实验表明，GigaBrain-0 在外观（例如纹理、颜色）、物体放置和摄像机视角的各种变化中实现了卓越的泛化能力。 此外，我们还推出了 GigaBrain-0-Small，这是一个优化的轻量级变体，旨在 NVIDIA Jetson AGX Orin 等设备上高效运行。