诺因发布GLOW技术报告，机器人一次教学就能跨场景复用

以往让机器人掌握新任务，通常需要重新采集数据、编写固定流程或进行针对性训练。这种方式能应对确定性较高的任务，但面对真实场景中不断变化的物品、环境和需求时往往难以覆盖。

近期新一代通用大模型GPT-6 Astra发布后，行业对具身智能技术路线展开广泛讨论。有观点认为通用大模型正展现出操控机器人的能力，可能对既有路线形成冲击；同时业内也逐渐形成共识：自回归架构正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。

9月24日，诺因（Knowin）发布面向通用具身智能的生成式学习架构GLOW技术报告（报告链接： https://knowinai.com/tech.html#section-2），完整介绍了GLOW全新升级的整体技术架构，呈现了一条将通用认知能力转化为可靠物理行动的可行路径，核心突破在于实现了机器人“一教就会”的任务学习能力。

报告提出，GLOW将改变机器人学习新任务的方式：把人的一次完整操作、当前环境、机器人自身状态与执行历史放在同一条链路中理解，让机器人不只是看见动作画面，而是同时捕捉物体、空间关系、动作顺序和状态变化，从“看过”进一步走向“学会”，拥有跨物体、跨环境、跨任务复用的通用能力。

报告还披露了GLOW的多项评测结果。从物理任务执行到具身场景理解，诺因已经连续拿下三项第一，印证了其长期坚持的自回归技术路线的前瞻性，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，从而以完整的具身能力走向物理世界。

GLOW的目标是让机器人获得跨物体、跨环境、跨任务复用的通用具身能力，而非为每项任务单独学习一套策略。用户不必把需求拆解成机器指令，也不必受限于出厂时写好的功能清单。机器人可以通过一次完整操作理解任务，再把画面、物品关系、状态变化与执行反馈转化为行动。从开盒收纳、浇水，到擦桌、调酒等各类家务工作，这一能力都得到了验证：

• 开盒收纳包含开盖、放物、合盖三个核心步骤。GLOW会根据实时画面定位盒盖、物品和盒内区域，按照人类的操作逻辑完成整套动作。人类的操作只定义任务目标和操作顺序，实际执行时，机器人会根据现场的盒子大小、物品位置调整姿态和路径，即使更换了不同的盒子、不同的物品，机器人也能顺畅完成收纳，不用重新教学。

• 浇水任务中，人类教学用的是黑色细嘴壶，实际执行时换成绿色浇水壶，机器人依然能顺利完成。GLOW会把人类演示过程中的抓握方式、对准角度、倾斜幅度等核心逻辑，映射到眼前的新器具上，自主调整抓取位置和动作姿态。每完成一步都会根据实时画面更新状态，后续动作随现场情况动态调整。

• 在擦桌任务中，人类用户沿着心形轨迹移动抹布；机器人看过一次后，就能复现同样的心形擦拭动作。这意味着，GLOW不只是学会了“擦桌子”这项任务，还能捕捉到“怎样擦”的个性化操作特征。用户只需一次操作教学，就能把自己的操作偏好传递给机器人，让机器人按自己习惯的方式完成家务。

• 调酒：多杯多步骤的复杂流程，也能按序连贯完成。面对多个酒杯的调酒场景，GLOW能从人类操作中，识别出每一步的操作对象、倾倒关系和先后顺序，再结合现场画面找到对应的酒杯，依次完成取杯、倾倒、回正、放回的完整流程。人类的行为只提供了任务的顺序逻辑，实际执行时机器人会自主匹配当前场景，保证多步骤任务连贯推进，不会混乱。

四大模块协同：构成从经验学习、任务理解到行动反馈的完整链路

“一教就会”的背后，源于GLOW全新升级的技术路径。通过将原有的Brain与Act能力统一到多模态自回归模型KnowinGLOW中，让视觉理解、空间推理、任务规划与动作生成能够在同一模型内协同完成；KnowinDream负责生成物理交互经验，KnowinWorld用于模拟动作可能带来的结果，KnowinAgent则围绕任务记忆、工具调用、反馈和重新规划组织执行。由此，GLOW形成了从经验学习、任务理解到行动反馈的完整链路。