一直以来，要让机器人学会一项新任务，往往需要重新采集数据、编写固定流程，或进行针对性训练。这类方式可以解决确定性较高的任务，却难以覆盖真实场景中不断变化的物品、环境和需求。近期，新一代通用大模型GPT-6 Astra的发布，引发行业对具身智能技术路线的广泛讨论与重新思考。不少观点认为，通用大模型正在展现操控机器人的能力，可能对既有具身智能路线形成冲击；与此同时，行业也逐步形成共识：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。

GLOW的目标是一教就会

9月24日，诺因发布面向通用具身智能的生成式学习架构GLOW技术报告，系统介绍了GLOW全新升级的技术架构，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，核心突破在于让机器人具备一教就会的任务学习能力。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。从开箱收纳、浇水，到擦桌、调酒等各类家务工作，这一能力都得到了验证。

统一到多模态自回归模型

一教就会源于GLOW全新升级的技术路径。GLOW将原有的Brain与Act能力统一到多模态自回归模型KnowinGLOW中，使视觉理解、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。其中，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流程。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。

评测成绩和路线

报告披露了GLOW在RoboDojo、LIBERO-Pro和Embodied Arena等评测中的成绩。实验结果表明，GLOW不仅能够理解物理场景，还能将这种理解转化为有效的任务执行。在本报告的评测设置下，GLOW在多项国际主流具身评测中取得领先成绩，展现了在空间理解、物理交互与任务执行方面的能力。诺因持续推进这条技术路线：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。通用模型增强智能的知识、理解与推理能力，专业具身模型则以物理交互为核心，构建从场景理解到自主行动的完整能力。