字節跳動GR-3：可泛化、支持長序列復雜操作任務的機器人操作大模型（技術報告解讀）

1.總結

GR-3 是一個大規模的視覺 - 語言 - 動作（VLA）模型。它對新物體、新環境以及含抽象概念的新指令展現出較好的泛化能力。此外，GR-3 支持少量人類軌跡數據的高效微調，可快速且經濟地適應新任務。GR-3 在處理長周期和靈巧性任務（包括需要雙手操作和底盤移動的任務）上也展現出穩健且可靠的性能。

這些能力源自—種多樣的訓練方法，具體包括：利用大規模的視覺 - 語言數據聯合訓練、負責實驗室采集的同學基于 VR 設備構建了人類軌跡數據進行有效地模仿學習。此外，我們還推出了一款雙臂移動機器人 ByteMini。ByteMini 兼具靈巧性和可靠性，集成了 GR-3 后，能完成各式各樣的復雜任務。

本報告介紹 GR-3——一種大規模視覺-語言-動作模型，具備以下特性： ?

嚴格遵循語言指令，并對新穎物體、環境及指令具有良好泛化能力； ?
僅需少量人類軌跡即可高效微調，實現快速場景遷移； ?
在長跨度、靈巧任務中保持高魯棒性與高可靠性。 ?

技術報告：字節跳動Seed

2. 簡介

打造能夠協助人類完成日常任務的智能通用機器人，是機器人研究中長期追求的愿景。真正的難題在于現實世界的巨大多樣性：機器人策略必須具備強大的泛化能力，才能應對層出不窮的新場景。此外，許多日常任務天然具有長跨度、高復雜度的靈巧操作要求，這對策略的魯棒性與可靠性提出了極高標準。

GR-3 以自然語言指令、環境觀測和機器人狀態為輸入，端到端輸出動作序列，控制雙臂移動機器人。模型基于預訓練 VLM，并通過流匹配預測動作。作者對網絡架構進行了系統研究，提出一系列關鍵設計，顯著提升了指令跟隨與長跨度任務表現。為強化泛化能力，作者將機器人軌跡數據與覆蓋多種視覺-語言任務的大規模數據協同訓練，使 GR-3 不僅能處理全新類別的物體，還可理解尺寸、空間關系、常識知識等在機器人數據中缺失的抽象概念。

此外，GR-3 僅需通過 VR 設備收集的少量人類軌跡即可高效微調，實現低成本快速適配。作者同步推出 ByteMini——一款靈活可靠的雙臂移動機器人，與 GR-3 結合后可在現實世界中完成多樣復雜任務。

在三大挑戰性場景的廣泛實驗中——可泛化抓取放置、長跨度桌面整理、靈巧布料操作——GR-3 全面超越當前最佳基線 π0。它對新類別物體和復雜語義展現優異泛化能力，僅用每條物體 10 條人類軌跡即可快速適配新物體；在長跨度與靈巧任務中亦表現穩健，桌面整理與布料操作均取得高平均任務進度。作者期望 GR-3 成為邁向日常生活通用機器人的關鍵一步。

3.模型結構

GR-3 是一個端到端的視覺-語言-動作（VLA）模型 πθ，用于控制帶有移動底盤的雙臂機器人。模型以自然語言指令 l、當前觀測 $o_t$ 和機器人狀態 $s_t$ 為條件，一次性生成長度為 k 的動作片段 $\mathbf{a}_t = a_{t:t+k}$ ，即 $a_t = \pi_\theta(l, o_t, s_t)$ 。

GR-3 采用混合 Transformer 架構。

首先，作者使用預訓練的視覺-語言模型 Qwen2.5-VL-3B-Instruct 處理來自多臺攝像頭的圖像觀測與語言指令；
隨后，由動作擴散 Transformer（DiT）預測動作片段。具體而言，GR-3 利用流匹配實現動作預測：流估計以當前機器人狀態 st 以及 VLM 主干輸出的 KV 緩存為條件。
?
1. 長度為 k 的動作片段被表示為 k 個 token，并與機器人狀態 token 拼接，構成動作 DiT 的輸入序列。
  ?
2. 流匹配的時間步通過自適應層歸一化（AdaLN）注入。為了建模動作片段內部的時間依賴，動作 DiT 使用因果注意力掩碼。

為保證推理速度，動作 DiT 的層數僅為 VLM 主干的一半，且僅復用主干后一半層級的 KV 緩存。整體模型參數量為 4 B。

在初期實驗中，作者觀察到訓練過程經常出現不穩定。受 QK Norm 啟發，作者在動作 DiT 的注意力與 FFN 內的線性層后額外引入 RMSNorm。該設計顯著提升了整個訓練的穩定性，并在下游實驗中大幅增強了語言遵循能力，詳見第 5 節。

4.訓練策略

作者采用多種數據源混合訓練 GR-3：機器人軌跡數據用于模仿學習，網頁級視覺-語言數據用于協同訓練，少量人類軌跡數據用于小樣本泛化。

該訓練方案使 GR-3 能夠 1) 泛化到全新物體、環境與指令，2) 以低成本高效適配未見場景，3) 穩健地完成長跨度與靈巧任務。

4.1 基于機器人軌跡數據的模仿學習

作者采用模仿學習目標來訓練 GR-3，通過最大化策略在一組專家演示 D?上的對數似然： $\max_{\theta}\; \mathbb{E}_{(a_t,o_t,s_t,l)\sim D}\!\bigl[\log \pi_\theta(a_t \mid o_t, s_t, l)\bigr].$

具體而言，訓練時利用流匹配損失來監督動作預測： $\mathcal L_{\text{action}}(\theta)=\mathbb{E}_{(a_t,o_t,s_t,l)\sim D}\!\Bigl[\bigl\|v_\theta(l,o_t,s_t,\tilde a_t)-u(\tilde a_t,a_t)\bigr\|^{2}\Bigr],$

其中 $\tau\sim\mathcal U(0,1)$ 為流匹配時間步，t?表示回合中的時間戳； $\tilde a_t=(1-\tau)\varepsilon+\tau a_t$ 為帶噪動作塊， $\varepsilon\sim\mathcal N(0,I)$ 為隨機噪聲； $u(\tilde a_t,a_t)=a_t-\varepsilon$ 為流匹配的真實值。

作者將流匹配標簽用于流預測。為了加速訓練，作者在 VLM 主干的一次前向傳播中，對多個采樣的流匹配時間步同時計算流匹配損失。

在推理階段，動作片段初始化為隨機噪聲 $\mathbf a_t^{\tau=0} \sim \mathcal N(0,I)$ ，并用歐拉方法從 $\tau=0$ 積分到 $\tau=1$ ，即? $\mathbf a_t^{\tau+\Delta\tau}= \mathbf a_t^\tau+v_\theta(l,o_t,s_t,\mathbf a_t^\tau)\Delta\tau$ ，實驗中設 $\Delta\tau=0.2$ 。

作者通過遙控操作采集真實機器人軌跡。為使采集過程更易控制并最大化數據多樣性，作者開發了一套數據采集調度器（見圖 4），在每次采集開始前向操作員提示：1）需執行的動作，2）物體組合，3）背景設置。系統生成新的配置后，操作員據此布置環境。該調度器的實現幫助作者有效管理整體數據分布，充分隨機化采集數據，極大提升了數據集的豐富性與多樣性。此外，采集后還會進行質量檢查，剔除無效或低質量數據。

先前研究指出，策略可能利用多視角的偽相關來預測動作，而非真正關注語言條件。為緩解這一問題，作者在動作維度中引入“任務狀態”作為輔助監督。任務狀態可取以下值：進行中（0）、已完成（1）、無效（-1）。“進行中”表示機器人正在執行任務；“已完成”表示任務成功結束；“無效”表示當前觀測下指令不可行。例如，桌上沒有刀時，“把刀放進編織籃”即為無效指令。

訓練時，作者隨機將語言指令替換為無效指令，并要求模型僅預測“無效”狀態，而不監督動作片段的其他維度。此設計迫使動作 DiT 必須關注語言指令并判斷任務狀態，顯著提升了語言遵循能力。

4.2?協同訓練視覺-語言數據 ?

為使 GR-3 具備遵循分布外（OOD）指令的泛化能力，作者將機器人軌跡數據與視覺-語言數據聯合訓練（見圖 3）。機器人軌跡數據同時訓練 VLM 主干與動作 DiT，采用流匹配損失；視覺-語言數據僅訓練 VLM 主干，使用下一詞預測損失。為簡化實現，作者在 mini-batch 中以等權重動態混合兩類數據，因此協同訓練的總目標為下一詞預測損失與流匹配損失之和。

通過視覺-語言協同訓練，GR-3 能在零樣本情況下有效泛化至未見物體，并理解復雜概念的新穎語義。作者從多個數據源精心構建了一套大規模視覺-語言數據集，涵蓋圖像描述、視覺問答、圖像定位及交錯式圖像描述等任務（見圖 4）。作者還設計了過濾與再標注流水線，以提升數據集質量，確保協同訓練效果。

協同訓練不僅幫助 GR-3 保留了預訓練 VLM 的強視覺-語言能力，還使動作 DiT 能在動作預測中直接利用這些能力，從而顯著提升下游操作任務的泛化表現。

4.3小樣本泛化：基于人類軌跡數據 ?

GR-3 作為通用視覺-語言-動作模型，可通過輕量微調迅速適配全新場景。然而，采集真實機器人軌跡既費時又昂貴。近年來，VR 設備與手部追蹤技術的進步為直接從人類軌跡學習動作提供了契機。本報告中，作者將 GR-3 的高效微調能力延伸至更具挑戰性的“極少人類軌跡小樣本學習”場景。

具體而言，面對一個新場景，作者僅需利用 PICO 4 Ultra Enterprise 采集少量人類軌跡。借助 VR，人類軌跡的采集速度可達約 450 條/小時，遠高于遙操作機器人軌跡的 250 條/小時，從而以更低成本實現快速遷移。

采集到的人類軌跡包含第一視角視頻與手部軌跡。作者沿用機器人軌跡的標注流程，為人類軌跡補充語言指令。完成視覺-語言數據與機器人軌跡的第一階段訓練后，作者將人類軌跡納入，并對三類數據共同訓練。

與機器人軌跡不同，人類軌跡僅提供第一視角和手部軌跡，缺少腕部視角、關節狀態與夾爪狀態。對此，作者用空白圖像填充缺失的腕部視角，并僅依據手部軌跡對人類數據進行訓練。

5.硬件和系統

5.1 ByteMini機器人

ByteMini 機器人（見圖 5）被用于數據采集與策略部署。這臺 22 自由度的雙臂移動機器人圍繞三大核心目標設計：靈活操作、高可靠性與人機友好。

靈活操作 ?
兩條 7 自由度的機械臂采用無偏置構型，并在腕部引入獨特的球形關節，實現接近人手的靈巧度。緊湊的球形腕部突破了傳統 SRS 構型腕部體積過大、在狹窄空間內操作受限的瓶頸。肘關節經過專門設計，可實現 2.53 rad 的大范圍內收，使雙臂能夠在機器人胸前的有限空間內完成精細作業。

高可靠性 ?
數據采集與策略部署的高負荷運行要求 ByteMini 具備極高的穩定性與一致性。作者采用集成升降機構的萬向移動底盤，確保空間機動與垂直高度調節的平穩可靠。為進一步提升可靠性并保證動作一致性，臂部執行器基于準直驅（QDD）原理設計，兼具高透明度與穩定性。

人機友好 ?
為提升易用性，作者在機器人上集成了便攜屏幕與 NUC 計算單元，并由雙鋰電池供電，在多種場景下可連續運行超過 10 小時。ByteMini 還配備無線急停按鈕，可在緊急情況下迅速切斷動作。頭部與雙腕均安裝 RGB-D 相機，腕部相機可在精細操作時提供近距離視野。

5.2 系統與控制 ?

全身柔順控制 ?
作者采用全身柔順控制框架，將所有自由度視作一個整體，把任意遙操作的人體運動重映射為機器人可行運動。可操作度優化、奇異點規避以及關節物理限位被統一納入實時最優控制問題，以最大化機器人的靈巧性。該框架能在廣闊工作空間內為多種長跨度操作任務生成流暢、連續的運動，從而為策略訓練提供高質量的示范軌跡。柔順力控制器支持高動態運動及與環境的物理交互，既提升了安全性，也提高了數據采集效率。

全身遙操作 ?
在遙操作采集階段，作者通過 Meta VR Quest 實現全身重映射，使操作者直觀、友好地將人體動作直接映射到機器人末端執行器。操作者可以同時控制機械臂、升降機構、夾爪和移動底盤，從而在現實世界中為復雜長跨度任務提供無縫的數據采集體驗。

策略部署的軌跡優化 ?
在策略部署階段，作者使用 GR-3 預測的動作片段控制機器人 19 個自由度（不含升降機構與頭部的 3 個自由度）。作者引入純跟蹤算法并結合軌跡優化，以提升 GR-3 生成軌跡的穩定性與平滑度。實時參數化優化最小化加加速度，確保各航點之間以及整條軌跡之間的無縫銜接。

6. 實驗

作者在真實世界中開展了大量實驗，以全面評估 GR-3 的表現，并圍繞四個核心問題展開： ?
1. GR-3 能否嚴格遵循包括訓練階段未見在內的所有指令？ ?
2. GR-3 是否具備泛化到分布外場景（新物體、新環境、新指令）的能力？ ?
3. GR-3 能否基于極少的人類軌跡完成小樣本學習，并遷移到機器人本體？ ?
4. GR-3 是否能學習到穩健策略，從而勝任長跨度且靈巧的復雜任務？ ?

實驗選取三項任務：可泛化抓取-放置、長跨度桌面整理、靈巧布料懸掛。更多視頻演示請見項目主頁。作者將 GR-3 與當前最佳方法 π0 對比，按照 π0 官方 GitHub 倉庫的指引，對其在三大任務上分別進行微調。

6.1 可泛化抓取-放置 ?

為評估 GR-3 在分布外場景的泛化能力，作者設置了聚焦泛化的抓取-放置任務。共采集 3.5 萬條機器人軌跡，涵蓋 101 種物體，總時長 69 小時。軌跡以“將 A 放入 B”形式標注，A 為物體類別，B 為容器。基線模型僅用這些機器人軌跡進行微調；GR-3 則同時用機器人軌跡與視覺-語言數據協同訓練。訓練期間，作者對機器人軌跡圖像施加光度增強，以提升對變化環境的魯棒性。作者還對比了“GR-3 無協同訓練”這一變體，僅用機器人軌跡訓練，以評估協同訓練的具體貢獻。

評估設置 ?
作者在四種場景中進行評測： ?
1) 基礎場景：環境與物體均在訓練中見過，共 54 種物體，用于檢驗基本指令遵循能力。 ?
2) 未見環境：使用與基礎場景相同的 54 種物體，但置于四個訓練時未見的環境（收銀臺、會議室、辦公桌、休息室）中，物體擺放保持一致。 ?
3) 未見指令：給出需要復雜概念理解的指令，如“把左邊的可樂放進紙盒”“把帶觸手的動物放進紙盒”。 ?
4) 未見物體：使用 45 種在機器人軌跡中未出現的新物體。

評測指標 ?
作者采用指令遵循率（IF）與成功率兩個指標。 ?
- 指令遵循率：若機器人正確接近指令指定的物體，則視為成功。 ?
- 成功率：若機器人最終把目標物體放入容器，則視為成功。 ?
兩者得分越高，代表相應能力越強。

基礎指令遵循 ?
在“基礎”與“未見環境”兩種設定中，作者將 54 個已見物體劃分為 9 個 mini-batch，每批 6 個物體。在每次 rollout 時，依據給定指令讓模型從 6 個候選中挑選 1 個物體。為保證不同模型結果可比，作者使用預捕獲的擺放模板固定物體位置，確保同一 mini-batch 的物體布局在評測期間完全一致。圖 7(a) 顯示，GR-3 在兩種設定下的指令遵循率和成功率均超越 π0；基礎與未見環境間的性能差異很小，表明 GR-3 對環境變化具備魯棒性。此外，GR-3 與“無協同訓練”版本在這兩設定下差異不顯著，說明協同訓練對已知物體表現無負面影響。

可泛化指令遵循 ?
在“未見指令”設定中，作者測試模型對尺寸、空間關系、常識等抽象概念的理解能力。示例指令包括“把可樂旁邊的那罐雪碧放進紙盒”“把最大的物體放進紙盒”“把海洋動物放進紙盒”等，這些指令在機器人軌跡數據中從未出現，需要模型進行復雜語義推理。 ?
在“未見物體”設定中，作者將 45 個未見物體劃分為 9 個 mini-batch，每批 5 個物體，即每次 rollout 需從 5 個候選中選 1 個。該設定尤為苛刻：45 個物體中超過 70 % 屬于訓練時未見的類別。圖 7(a) 顯示，GR-3 在這兩項設定中大幅領先 π0，成功率分別由 40 % 提升至 77.1 %（未見指令）和 57.8 %（未見物體）。與“無協同訓練”版本相比，GR-3 亦顯著提升，表明視覺-語言協同訓練為泛化能力帶來關鍵增益。VLA 模型將大規模視覺-語言知識有效遷移到策略學習，實現對新場景的零樣本泛化。僅使用機器人軌跡訓練的 GR-3 甚至低于 π0 基線，作者推測 π0 的優勢源于其大規模跨本體預訓練。

基于人類軌跡的小樣本泛化 ?
作者進一步利用 VR 采集的人類軌跡評估小樣本泛化能力，挑戰在于：1) 需跨本體學習；2) 數據極度稀缺。具體而言，作者在“未見物體”設定中，為 45 個新物體各采集 10 條以內人類軌跡，總計 450 條，總時長約 30 分鐘。作者以已訓練于機器人軌跡和視覺-語言數據的檢查點為起點，增量訓練 GR-3：在保留原有數據的同時加入人類軌跡，再協同訓練 20 k 步。 ?
作者在 1-shot、5-shot、10-shot 三種小樣本設定下，分別評測已知與未知物體（圖 7(b)）。與零樣本基線相比，隨著人類軌跡增多，未見物體的指令遵循率和成功率持續提升；僅 10 條人類軌跡即可將成功率從 57.8 % 提高到 86.7 %。同時，已知物體性能無明顯下降，表明這一微調策略兼具樣本高效與成本低廉，為將預訓練 VLA 模型遷移至下游新場景提供了可行路徑。

6.2?長期工作臺總線

長跨度桌面整理 ?
作者通過桌面整理任務檢驗 GR-3 在長跨度操作中的魯棒性（圖 8）。在該任務中，機器人需清理布滿餐具、食物、外帶盒及塑料整理箱的餐桌。為完成整項作業，機器人必須：1) 將食物打包進外帶盒；2) 將所有餐具投入整理箱；3) 把垃圾全部扔進垃圾桶。由于操作區域廣闊，機器人需驅動底盤在餐桌、外帶盒與整理箱之間往返（圖 8(a)）。作者在“平鋪任務”與“指令跟隨”兩種設定下進行評測。

平鋪任務設定 ?
機器人僅收到一條概括指令——“清理餐桌”——即需在單次運行中自主完成全部子任務（圖 8(a)）。該設定用于評估模型在長跨度任務中的魯棒性。作者以“平均任務進度”作為指標，計算成功完成的子任務數占總子任務數的比例；數值為 1.0 表示完全成功，中間值表示部分完成。作者在此設定下共測試了五組不同物體配置。

指令跟隨（IF）設定 ?
為了進一步檢驗模型對子指令的遵循能力，作者依次給出多條子任務描述，例如“將紙杯扔進垃圾桶”。每次子任務均從機器人“原位”開始。作者以“平均子任務成功率”作為指標。IF 設定共含六類測試場景（圖 8(b)）：

基礎：物體布局與訓練數據幾乎一致。 ?
多實例：在場景中加入某類物體的多個實例，并指令機器人將該類全部實例投入整理箱或垃圾桶。 ?
多目的地：額外放置一個編織籃，要求機器人把餐具投入籃子或整理箱。 ?
多實例 & 多目的地：綜合前兩設定，讓機器人把某類全部實例移至兩個目的地之一。 ?
新目的地：要求把物體移至訓練時未與之配對的目的地，例如“把叉子扔進垃圾桶”。 ?
無效任務：現實應用中，機器人可能收到無法完成的復雜指令。若桌上無藍碗，則“把藍碗放入塑料盒”即為無效。作者期望策略能拒絕執行此類錯誤指令。在該測試中，若模型在 10 秒內不操作任何物體即判為成功。

實現細節 ?
作者共采集約 101 小時的機器人軌跡。基線模型 π0 僅在這些軌跡上微調。GR-3 則同時利用機器人軌跡與視覺-語言數據協同訓練。作者還測試兩個消融版本： ?
- GR-3 w/o Norm：移除 DiT 塊注意力與 FFN 中的 RMSNorm。 ?
- GR-3 w/o TS：訓練時不引入任務狀態。 ?

兩種設定分別訓練“平鋪版”與“IF 版”。平鋪版在訓練時隨機使用整體任務或子任務作為語言指令；IF 版僅使用子任務指令。

結果 ?
圖 8(d) 顯示，GR-3 在兩項設定下均優于 π0，尤其在 IF 設定中成功率從 53.8 % 提升至 97.5 %。π0 雖能完成長跨度整理，但指令遵循薄弱，在分布外情境下尤為明顯：無法區分刀叉，在新目的地測試中將物體投入訓練時常見容器，而非按指令操作。相反，GR-3 在六類測試場景中均能嚴格遵循指令，可泛化到多實例與多目的地場景，并在無效任務中正確拒絕執行。

移除 RMSNorm 會顯著削弱性能，尤其在 IF 設定下：GR-3 w/o Norm 指令遵循能力大幅下降，無法泛化到新目的地，凸顯 RMSNorm 在提升指令遵循中的關鍵作用。去除任務狀態同樣導致 IF 性能下降，表明任務狀態能有效幫助 VLA 模型執行指令。

6.3 靈巧布料操作 ?

本實驗評估 GR-3 對可變形物體的靈巧操控能力，具體任務為：使用衣夾把衣服掛到晾衣架上（圖 2）。機器人需依次完成：1) 抓取衣夾；2) 將衣服套上衣夾；3) 把衣服連同衣夾掛到晾衣架。最后一步中，機器人需旋轉底盤，從桌面前移到晾衣架旁完成掛衣。作者共采集 116 小時機器人軌跡訓練 π0；GR-3 則在此基礎上與視覺-語言數據協同訓練。作者在三種設定下評測：基礎（Basic）、位置擾動（Position）、未見實例（Unseen Instances）。

設定 ?

基礎：使用訓練中見過的 6 件衣服，擺放方式與訓練數據一致。 ?
位置擾動：將衣服旋轉并揉皺（圖 9(b)），評估模型對復雜布料布局的魯棒性。 ?
未見實例：使用訓練中未見的 4 件衣服（圖 9(a)）。訓練時均為長袖，測試集中兩件為短袖，考驗模型對新穎款式與袖長的泛化能力。

評測指標 ?
作者以“平均任務進度”為指標。完整掛衣成功得 1.0，任務被細分為 4 個關鍵里程碑： ?
1) 抓取衣夾； ?
2) 右肩套上衣夾； ?
3) 左肩套上衣夾； ?
4) 把衣服掛到晾衣架（圖 10(a)）。 ?
每個里程碑貢獻相應分數，累加得到總進度。

結果 ?
圖 10 顯示，GR-3 在三種設定下均優于 π0： ?

基礎：86.7 % ?
位置擾動：83.9 % ?????????表明其擅長復雜靈巧任務，且對布料位置變化魯棒。 ?
未見實例：75.8 % ?????????表明模型可泛化至未見款式與袖長。

進一步分析 rollout 流程，圖 10(a) 給出基礎設定下 4 個里程碑的桑基圖。左右模型共同的最難點是“左肩套上衣夾”：機器人需先拉出在衣夾后方的左領口，再完成抓取，且需同時握住衣夾。另一常見失敗模式是衣夾在左肩操作過程中滑落，導致最后一步失敗。

7. 總結

局限與未來工作 ?
盡管 GR-3 在挑戰性任務中表現強勁，仍存在不足：面對包含全新概念或物體的未見指令時，模型會出錯；對于形狀前所未見的物體，抓取亦顯吃力。作者計劃通過擴大模型規模與訓練數據量，持續提升模型對新場景的適應能力。此外，與所有模仿學習方法類似，GR-3 在 rollout 時可能陷入分布外狀態且無法自行恢復。未來，作者擬引入強化學習（RL），以進一步提高復雜與靈巧任務的魯棒性，突破模仿學習的性能上限。

結論 ?
本報告介紹了 GR-3——一個強大的視覺-語言-動作（VLA）模型，可輸出動作控制雙臂移動機器人。作者系統研究了網絡架構，并構建了涵蓋以下要素的綜合訓練方案：與大規模視覺-語言數據協同訓練、基于少量人類軌跡的高效小樣本學習，以及基于機器人軌跡的有效模仿學習。在三大挑戰性任務上的大量真實世界實驗表明，GR-3 能夠理解包含抽象概念的復雜指令，有效泛化至全新物體與環境，僅需極少人類軌跡即可快速適應，并在長跨度與靈巧任務中表現出卓越的穩健性與可靠性。作者希望 GR-3 能成為邁向通用機器人的重要一步，使其能夠在現實世界中協助人類完成多樣化任務。