银河通用重磅发布全球首个端到端具身抓取基础大模型 GraspVLA，定义全合成大数据预训练新范式！

声明：文档由AI根据原文生成。

亮相CES后再发重磅成果

在刚刚结束的 NVIDIA CES 2025 发布会上，银河通用旗下机器人 Galbot 现身英伟达创始人黄仁勋演讲现场，托举起新一代显卡 RTX 5090。随后，Galbot 又在展位向黄仁勋展示无人零售取货能力。这场高规格亮相一周后，银河通用于 1 月 10 日正式发布全球首个端到端具身抓取基础大模型 GraspVLA，回应外界对其技术实力的关注。

模型架构：预训练+后训练两段式

GraspVLA 由银河通用联合北京大学、香港大学研究人员共同开发，采用预训练与后训练相结合的结构。预训练阶段完全基于合成数据，数据规模达到十亿帧「视觉-语言-动作」对，使模型掌握泛化闭环抓取能力；预训练完成后，模型可直接从仿真迁移至真实环境（Sim2Real），在未见过的场景和物体上零样本测试。针对特定需求，后训练仅需少量真实数据即可迁移基础能力，形成专业技能。

七大泛化能力零样本验证

研究团队首次提出 VLA 基础模型应满足的七大泛化标准，全部通过未见场景零样本测试验证：

光照泛化。咖啡厅、便利店、生产车间等不同光照条件下，模型表现稳定，极端黑暗环境中移动目标也能准确抓取。

背景泛化。面对不同材质纹理的桌面、操作台及动态变化背景，模型不受干扰。

平面位置泛化。物体在桌面上随意平移、旋转，模型仍可正常抓取。

空间高度泛化。高低错落的工作台上，模型可从容应对。

动作策略泛化。模型实时推理决策，根据物体和夹爪位姿自动调整策略，处理竖放、倒放等复杂情况。

动态干扰泛化。工作空间中随意添加干扰物体或发生撞击使目标移位，模型仍能稳定完成任务。

物体类别泛化。通过联合训练仿真动作数据与互联网语义数据，模型能将已掌握的动作能力迁移至未学习过动作数据的新物体类别。

小样本后训练快速适配场景

预训练模型已满足大多数应用需求，针对特殊需求可通过少量真实数据快速微调：

商超场景：按序抓取。针对一箱怡宝矿泉水采集少于一人天的遥操作数据，模型学会按顺序抓取同类商品，并能自动迁移至农夫山泉、东方树叶等其他品牌饮品。

工业场景：掌握新词汇。针对接线座、三角板、黑色软管等特殊工业零件，少量轨迹数据即可让模型精准识别并抓取。

家庭场景：对齐人类偏好。采集少量带偏好的抓取轨迹，模型即可学会抓取杯子时避免触碰内壁等符合人类习惯的行为。

技术路线与行业瓶颈

银河通用指出，当前具身通用机器人发展面临两大瓶颈：一是真实数据采集昂贵且难以覆盖全场景，硬件迭代还会导致数据失效；二是数据缺乏直接限制机器人泛化性与通用性，难以实现规模商业化。

GraspVLA 的技术路线以合成大数据预训练为核心，借助英伟达 Isaac 平台提升数据物理真实性与渲染并行度，一周内可生成十亿级三模态数据集。该方案在人力、资金投入上低于真实数据采集，且硬件更新时可快速重新生成数据，避免沉没成本。

研究团队表示，GraspVLA 的基座属性使通用机器人落地愿景——「一人一天完成产品部署」成为可能。未来将持续推出覆盖多技能的具身基础大模型，整合从抓到放、从关节类物体到柔性物体操作等任务的合成数据，推动人形机器人规模化应用。