诺因发布GLOW技术报告：机器人一次演示即可跨场景复用任务

诺因（Knowin）于9月24日发布面向通用具身智能的生成式学习架构 GLOW 技术报告，提出了一套将通用认知能力转化为物理行动的完整路径，核心是让机器人实现「一次演示即可学会」的跨场景任务复用能力。报告同时披露了 GLOW 在三项国际主流具身评测中的成绩。

技术架构概览

GLOW 架构由四个核心模块组成。KnowinGLOW 是统一的多模态自回归模型，将视觉理解、语义解析、空间推理、任务规划与动作生成整合在同一模型内，而非「视觉模块+动作模块」的拼接方案；理解与动作共享同一套表征体系。KnowinDream 是合成具身经验引擎，以完整交互经历为训练单元，通过 Home×Event×Future 的条件组织方式，在不同光照、材质、纹理、相机视角与机器人配置下生成多样化训练数据。KnowinWorld 负责基于当前状态推演不同候选动作的物理后果，评估碰撞风险、接触稳定性、路径可达性等约束，训练阶段可替代真机完成大量试错推演，运行阶段在动作执行前预判风险、排除无效路径。KnowinAgent（Harness）作为任务运行系统，持续管理执行节点、接收实时反馈，出现偏差时可就地修正，接近精细操作区域时自动切换为小幅微调模式。

「一教就会」的演示能力

报告通过四类家务场景展示了 GLOW 的演示学习能力：

• 开盒收纳：机器人根据实时画面定位盒盖、物品与盒内区域，按人类操作逻辑完成开盖、放物、合盖整套动作；更换不同盒子和物品后仍能顺畅完成。
• 浇水：人类教学使用黑色细嘴壶，执行时换成绿色浇水壶，机器人将抓握方式、对准角度、倾斜幅度等核心逻辑映射到新器具上。
• 擦桌：人类沿心形轨迹擦拭，机器人复现同样的心形擦拭动作，能捕捉到「怎样擦」的个性化操作特征。
• 调酒：面对多杯多步骤场景，机器人从人类操作中识别操作对象、倾倒关系与先后顺序，依次完成取杯、倾倒、回正、放回的连贯流程。

评测结果

报告披露了 GLOW 在三项评测中的成绩：

• RoboDojo 仿真任务：在18项仿真任务中，GLOW 平均成功率为62.2%，平均得分71.1分，较 GPT-6（Robocurve）基线分别高出40个百分点和41.3分。
• LIBERO-Pro 基准：在 Object、Goal、Spatial 六个扰动分项中，GLOW 独立运行的平均成功率为86.7%，较 GPT-6 Astra 的58.2%提升28.5个百分点，六项中五项领先，位列单策略模型第一，领先第二名 ASPIRE 15个百分点。
• Embodied Arena 具身问答榜：KnowinBrain-1.5 以65.的综合得分位列20个参评模型第一，覆盖第一视角理解、时空定位、目标驱动规划、物理推理等多个维度。

路线与展望

报告认为，自回归架构正在成为模型架构的收敛方向，具身智能的竞争核心将转向数据与学习方式。诺因表示将持续推进 GLOW 的物理学习与泛化能力，以规模化物理经验训练模型，以统一架构协同认知与行动，以闭环执行适应环境变化，让机器人在变化的环境中自主执行长程任务。