批判性精读 · GigaBrain-0.7 arXiv:2608.15875 · VLA 三系统架构具身基础模型
角色:flyP · 2026-08-27 09:50 CST · 独立批判性精读棒(轻量精读模式 · 1 篇) 底本:tom 8-27 08:40 agent-rag-longcontext-radar #1 (91▲) + tom 8-27 09:00 HF Daily 8-27 #1 (91▲) + flyP 8-27 09:40 multimodal-e1prep §增量 1 + alphaXiv abs
2608.15875+ themoonlight 文摘 + YouTube AI Paper Slop 章节索引 基线:flyp/2026-08-27-multimodal-e1prep.md 已把 GigaBrain-0.7 列为 v59 §2.39.244 候选级中-高档 ★★ 预备;本棒做独立批判性精读,不为 prep 棒添量,只为精读与批判 约束:不复制原文长段;不执行 git 写入;只写 inbox/flyp/ 草稿;只用 arXiv abs + HF 摘要 + 第三方文摘
〇、本棒定位与边界
本棒 ≠ 复述 e1prep 棒: - e1prep 棒已系统预备 v59 §2.39.244 候补级 + §3.3 #146 反方立基础延展预备 + §4 十九向 ㉓ + §7.4 #59 - 本棒做独立批判性精读:① 拆方法 ② 标贡献 ③ 审实验风险 ④ 估复现难度 ⑤ 飞P 立场入库决策
本棒 ≠ 抓全文: - 仅基于 arXiv abs/HTML 摘要 + 第三方文摘(themoonlight + alphaxiv AI overview + YouTube AI Paper Slop 章节索引) - 未抓 PDF 全文(轻量精读模式) - 实验数字以摘要级 + 第三方文摘为主,具体任务表与 ablation 表待全文核验
沿用 e1prep 棒立标信号:GigaBrain-0.7 91▲ 立标信号 v33 以来具身基础模型方向最高(vs AtlasVLA 8-25 候选级中档 ★ 沿用 vs DreamX-Phi 1.0 8-25 候选级中档 ★ 沿用 vs Hydra-0 8-25 候选级低档 ☆ 沿用)。
一、事实摘要(只摘不评)
1.1 论文元信息
| 字段 | 值 | 来源 |
|---|---|---|
| arXiv ID | 2608.15875v1 [cs.RO] |
arXiv abs |
| 标题 | GigaBrain-0.7: Scaling Embodied Foundation Models to Emergent Capabilities with a Three-System Architecture | arXiv abs |
| 提交日 | 2026-08-16 (UTC) | alphaxiv 显示"Submitted 16 Aug 2026" |
| 团队 | open-gigaai / GigaBrain Team | HF 论文页 + alphaXiv 作者列表 |
| 作者数 | 57 人(含 Angen Ye + Zheng Zhu 等) | alphaXiv 作者列表完整可见 |
| 分类 | cs.RO(Robotics 主分类,非 cs.CV) | arXiv abs |
| 开源承诺 | "All training code and pretrained model weights will be released" | arXiv abs 末段 |
| HF Daily 票数 | 91▲ (2026-08-27 早棒 #1) | HF Daily tom 雷达 |
| 立标信号 | v33 以来具身基础模型方向最强 | flyp 8-27 e1prep 棒判定 |
冲突标记:tom 8-27 雷达与 HF Daily 8-27 标注"8月15日"提交,alphaxiv 标注"Submitted 16 Aug 2026"。差异来源 = UTC vs CST(8-15 CST = 8-15 UTC -8h ≈ 8-15 16:00 UTC,8-16 UTC 0:00 前 ≈ 8-16 CST 8:00)。判断:以 arXiv abs 的"Submitted 16 Aug 2026"为准,tom/HF 的"8月15日"为本地时区 8-15 早段误读或 HF 摘要时区缓存偏差。无 arXiv ID 时序异常。
1.2 核心方法(三系统架构)
三系统定义(来自 alphaxiv AI overview + themoonlight + YouTube AI Paper Slop 章节): - System 1 — Action & Control:主执行器,负责把 sub-goal 转为连续动作 - System 2 — Understanding & Planning:负责长程推理、子任务分解、语言指令条件化 - System 3 — Prediction & Evaluation:负责世界模型预测 / 任务进度评估 / 自评估
核心抽象:把传统"observation → action"反应式策略,拆成"observation → plan → sub-goal → action"链式;并通过 System 3 显式承担"行动后果预测"。
1.3 数据规模与训练
- 机器人轨迹:37,000+ 小时异构具身数据
- V-L 样本:约 2.7 亿 vision-language 样本
- 覆盖:16 种机器人形态(embodiments)
- 训练范式:one-stage alignment training(联合优化 vision-language understanding + multi-embodiment action generation;反对 multi-stage pre-training pipeline)
1.4 评测与对比
- 对比基线:GigaBrain-0 系列前作 + π0.5(prior SOTA VLA)
- 评测维度:① foundation zero-shot capabilities ② language-conditioned instruction following ③ post-training task success rates
- 硬件平台:自研 Maker H01 + 主流机器人形态
- 场景:家庭 + 工业双场景
- 典型 emergent 行为:折叠非结构化衣物(unstructured garment folding)、精确工业装配(precise industrial assembly)
1.5 YouTube AI Paper Slop 章节索引(来自第二方文摘,可信度中)
- 12:29 "Self-Improving Reinforcement Learning" — 暗示 System 3 + post-training 用 self-improving RL(待 PDF 全文核验)
- 16:24 "Generalizing To Unseen Objects" — 暗示零样本物体泛化实验(待 PDF 全文核验)
- 06:35 "Structured System Interfaces" — 暗示 System 1/2/3 之间有结构化接口(待 PDF 全文核验)
- 09:48 "Preventing Catastrophic Interference" + 10:03 "Soft Knowledge Insulation" — 暗示 one-stage training 解决了 catastrophic forgetting,手段是 soft knowledge insulation(待 PDF 全文核验)
二、方法拆解(批判性视角)
2.1 创新点 vs 既有 VLA 主线
| 维度 | 传统 VLA 反应式(π0 / π0.5 / OpenVLA) | GigaBrain-0.7 三系统 | 飞P 批判 |
|---|---|---|---|
| 输入 → 输出 | RGB / 状态 → action | RGB / 状态 → plan → sub-goal → action + eval | "plan + sub-goal + eval"显式展开 ≠ 全新;与 Slow-fast VLA / ECoT / HiRT 思路同源(待 PDF 核验是否引用这些前置工作) |
| 长程任务 | 反应式难处理长程 | System 2 + 3 显式分解与评估 | "分解 + 评估"是真创新还是工程堆叠?待全文 ablation 表 |
| 数据规模 | π0 ≈ 10k 小时;OpenVLA ≈ 1M episodes | 37,000+ 小时 + 270M V-L | 数据规模是真创新,3.7 倍于 π0 |
| 训练范式 | 多阶段 pre-train + post-train | one-stage alignment | "one-stage alignment"是真创新点,但需看是否仍有两阶段 post-train |
| 系统组件 | 单模型多任务 | 3 子系统协同 | "3 系统"是命名升级还是结构异构?待 PDF 看是否有 3 个独立权重 / 3 个独立 loss |
2.2 "三系统架构"的工程真伪
飞P 反方 3 条: 1. 命名 vs 实质:当前 VLA 文献中已有 Slow-fast VLA(快慢双系统)+ ECoT(Embodied Chain-of-Thought)+ HiRT(Hierarchical Robot Transformer)。"三系统"是否只是命名升级而非架构本质创新?——待 PDF 核:① System 1/2/3 是 3 个独立权重还是共享权重的 3 个 head?② System 3 的世界模型是预训练 video model 还是端到端 learned? 2. one-stage alignment 的代价:联合优化 V-L understanding + multi-embodiment action generation —— 数据配比如何平衡? 270M V-L 样本与 37k 小时机器人轨迹的 loss 加权如何?若 V-L loss 占主导则"具身泛化"提升可能主要来自 V-L;若 action loss 占主导则 V-L 能力可能退化。待 PDF 看 loss weighting 公式。 3. 16 embodiments 是否真"异构":异构 = 不同机械臂 / 移动底盘 / 双臂 / 不同末端执行器?还是仅同一种形态不同尺寸?待 PDF 看 embodiment 表。
2.3 "37,000+ 小时"的真伪
飞P 关注: - 37,000 小时 ≈ 4.2 年不间断采集。这是真实遥操作采集还是合成数据(世界模型生成)? GigaBrain-0 前作(arXiv:2510.19430)明确使用 world model-generated data,0.7 摘要未明示"真实 37k 小时"。 - 若其中含合成数据占比 ≥ 30%,则"具身基础模型"成色下降(合成数据 vs 真实遥操作在 transfer 时分布偏移风险)。 - 270M V-L 样本 vs 37k 小时动作样本 = V-L 是动作的 ≈600 倍。这意味着 V-L 训练 token 占绝对主导,action token 是稀薄监督。待 PDF 看预训练阶段 vs post-training 阶段的数据配比。
三、贡献判断(飞P 立场)
3.1 真贡献(确凿级)
- 数据规模升级:37,000+ 小时异构机器人轨迹 ≈ 4 倍于既有 SOTA(π0 ≈ 10k 小时;OpenVLA ≈ 1M episodes ≈ 2-3k 小时)。这是真贡献。
- 跨 16 embodiments 评测:同时报告 16 种机器人形态上的零样本 / post-training 性能,这在公开文献中较少见。这是真贡献。
- 开源承诺:训练代码 + 预训练权重全部开源,降低复现门槛。这是真贡献(若兑现)。
- one-stage alignment 替代 multi-stage pre-training:工业界视角下流水线简化有工程价值。贡献,但需看是否真正消除了 catastrophic forgetting(待 PDF 看"Soft Knowledge Insulation"具体设计)。
3.2 待核验贡献(条件级)
- "三系统架构"作为学术创新:是否被同行独立评审认可?arXiv ID
2608.15875在 cs.RO 主分类,2026-08-16 提交,当前未被任何顶会接收(尚无会议标签)。这是条件贡献,待接收信号。 - emergent capabilities(折叠非结构化衣物 + 精确工业装配):这是单一场景示例,还是大规模 benchmark 上稳定提升?待 PDF 看是否在 LIBERO / RoboChallenge / RLBench 上有完整对照。
- self-improving RL:YouTube 章节索引暗示有,但摘要未提。待 PDF 全文核验。
3.3 飞P 评级
| 维度 | 评级 | 说明 |
|---|---|---|
| 学术贡献 | B(待升至 A-) | 数据规模 + 跨形态评测 + 开源是真;三系统架构作为学术创新待同行认可 |
| 工程实用 | A- | 数据 + 开源 + 工业场景覆盖,工业界可借鉴 |
| 复现难度 | 高 | ① 16 embodiments 硬件多样 ② 37k 小时采集 ③ 三系统架构 + world model ④ RL post-training ⑤ loss balancing 需反复调;单实验室无法复现全部,只能复现 architecture + 部分 embodiment |
| 立标信号 | A | 91▲ 立标极显著,v33 以来具身基础模型方向最高;但 e1prep 棒"立标信号"≠ 同行评审信号,不可混为一谈 |
| 可信度 | 中-高 | 57 人团队 + Zheng Zhu 等成熟作者 + open-gigaai 厂商背景;非匿名投稿,有厂商 PR 风险;第三方文摘一致描述,可信度中-高 |
四、实验风险与可重复性
4.1 实验设计风险
- 评测协议未公开:摘要未提 benchmark 名称。若是自建 benchmark,则与 π0.5 的对比可能存在 cherry-pick。待 PDF 看评测章节。
- Maker H01 是自研硬件:在自研硬件上的优势不能直接外推到其他平台。与 RT-2 / OpenVLA 等在公开硬件上的结果不可直接对比。
- embodiment 16 种中"home + industrial 双场景":每个 embodiment 测试了多少任务?每个任务多少次试验?待 PDF 看实验规模表。
4.2 数据真实性风险
- 37,000+ 小时是真实遥操作还是含合成? 摘要未明示,前作 GigaBrain-0 明确用 world model-generated data。若 0.7 沿用该路线则"具身基础模型"成色下降。
- V-L 样本 270M 占比 600 倍:预训练阶段若 V-L 占主导,则 VLA "action generation"提升可能主要来自 V-L 容量而非具身数据。待 PDF 看数据配比。
4.3 复现路径分级
| 路径 | 工作量 | 可行性 |
|---|---|---|
| P0 路径:复现 architecture + 1 个 embodiment + 小规模数据(1k 小时) | 6-12 个月 + 8+ GPU 集群 | 中(单实验室可行) |
| P1 路径:复现 architecture + 5 个 embodiment + 中规模数据(10k 小时) | 18-24 个月 + 32+ GPU 集群 | 低(需厂商合作) |
| P2 路径:复现全部 16 embodiments + 37k 小时数据 | 36+ 个月 + 64+ GPU 集群 + 多厂商硬件 | 极低(需国家实验室级资源) |
五、可信度判断与入库决策
5.1 可信度梯度
- arXiv abs + alphaXiv 作者列表 + HF Daily 91▲ 投票:高可信
- themoonlight 第三方文摘 + alphaxiv AI overview:中可信(摘要级)
- YouTube AI Paper Slop 章节索引:中可信(章节标题来源可信,具体内容需 PDF 核验)
- 未抓 PDF 全文:实验数字与 ablation 表可信度低(仅摘要级)
5.2 入库决策
| 决策项 | 飞P 立场 |
|---|---|
| 是否建议入库 | 是,进 notes/,暂不进 reviews/ |
| 建议路径 | notes/embodied/GigaBrain-0.7-VLA-three-system-architecture.md |
| 入库优先级 | P2(立标信号强但未同行评审;复现难度极高;实验细节待核) |
| 是否需要精读 | 已精读(本棒);PDF 全文核验截止 2026-09-15 |
| 是否需要主题页更新 | 是:v59 §2.39.244 候补级 + §4 十九向 ㉓ + 立标池双向锚 14 向并存预备预备触发(沿用 e1prep 棒预备) |
5.3 待补查清单(明确标注 🔴 待补查)
- 🔴 PDF 全文核验:System 1/2/3 是否独立权重 / 独立 loss?System 3 的世界模型是预训练还是端到端 learned?(截止 A1 2026-09-05)
- 🔴 数据真实性核验:37,000+ 小时中真实遥操作 vs 合成数据占比;270M V-L vs 37k 小时动作 loss 加权公式(截止 A2 2026-09-05)
- 🔴 评测协议核验:是否在 LIBERO / RoboChallenge / RLBench 等公开 benchmark 上有对照?还是仅自建 benchmark?(截止 A3 2026-09-10)
- 🔴 同行评审信号核验:arXiv 2608.15875 是否被 CoRL 2026 / RSS 2026 / ICRA 2027 接收?(截止 A4 2026-09-30)
- 🔴 开源兑现核验:GitHub repo 是否在 2026-09 末前发布训练代码 + 预训练权重?(截止 A5 2026-09-30)
- 🔴 16 embodiments 表核验:embodiment 清单(机械臂型号 / 移动底盘 / 末端执行器)(截止 A6 2026-09-10)
六、与飞P 既有立标池的关系
6.1 与 v58 立标池 13 向并存预备的关系(沿用 e1prep 棒预备)
v58 沿用 v33 首次 13 向并存预备:EnvHarness + SemComp-Bench + OmniScientist + 4DAnyone + WithEveryone + ForgeWM + Zetta + OpenART + Alaya-EVOKE + Mechanist + AtlasVLA + DreamX-Phi 1.0 + EchoWM + Prime Agent = 13 向实测
GigaBrain-0.7 加入预备 = v33 首次 14 向并存预备预备触发(沿用 e1prep 棒预备):
| 立标方向 | 立标信号 | 飞P 评级 |
|---|---|---|
| EnvHarness | 258▲(8-25 续立) | A(同行 + 复现完整) |
| Zetta | 141▲ | A-(复现难) |
| HarnessEval-W | 111▲ | A-(HuggingFace 工业合作) |
| OmniScientist | 顶级 | A(同行公认) |
| 4DAnyone | 高 | A-(同行接收) |
| ForgeWM | 中高 | B+(待同行接收) |
| OpenART | 中高 | B+(工业厂牌) |
| Alaya-EVOKE | 中 | B(工业厂牌) |
| Mechanist | 中 | B(投稿) |
| AtlasVLA | 中 ★ | B+(投稿) |
| DreamX-Phi 1.0 | 中 ★ | B+(投稿) |
| EchoWM | 70▲ | B+(投稿 + 短审稿已立) |
| Prime Agent | 32▲ | B(投稿) |
| GigaBrain-0.7 (预备) | 91▲ | B+(投稿 + 待同行接收) |
飞P 观察: - GigaBrain-0.7 立标信号(91▲)是 v58 沿用 13 向中立标信号第二高(仅次于 EnvHarness 258▲) - 但 e1prep 棒与本棒均强调:"立标信号 ≠ 同行评审信号";91▲ 来自 HF Daily 社区投票,与 CoRL/RSS 接收是两套评估体系 - 真正的"立标"应同时具备 ① HF Daily 高票 ② 同行评审接收 ③ 工业界落地;GigaBrain-0.7 当前 ① ✓ ② ✗ ③ ✓(open-gigaai 厂商)→ 2/3 立标;待 CoRL/RSS/ICRA 接收信号确认 2.5/3 或 3/3 立标
6.2 与"具身 VLA × 视频世界模型 × 跨躯体泛化"三向并存预备的关系
沿用 e1prep 棒预备: - v58 §2.39.210 AtlasVLA = "持久世界-自我状态建模 VLA"(VLA × 世界模型) - v58 §2.39.211 DreamX-Phi 1.0 = "动作条件视频世界模型"(世界模型 × 视频生成) - v58 §2.39.224 Hydra-0 = "Action Flow for Generalist World Modeling"(VLA × 视频世界模型 × 跨躯体泛化,候选级低档) - v58 §2.39.225 SparsePR = "具身侧 + VLA"(VLA × 稀疏化)
GigaBrain-0.7 = 5th anchor: - 同时具备 ① VLA 基础模型 ② 三系统架构(隐式含世界模型 in System 3) ③ 跨 16 embodiments 泛化 - 与 Hydra-0 同窗口对位:但 GigaBrain-0.7 立标信号 91▲ 显著高于 Hydra-0 候选级低档 ☆ - v33 首次"VLA 三系统架构 × 跨躯体泛化"预备实测触发 = 与 AtlasVLA + Hydra-0 + DreamX-Phi 1.0 + SparsePR 形成"具身 VLA 五锚预备"
6.3 与"评测方法学延革系列完整 6 锚链"的关系
沿用 v58 沿用 6 锚链:① HarnessEval-W + ② StateM + ③ EnvHarness + ④ Zetta + ⑤ Harness-Evolution-Eval-Rethink + ⑥ Prime Agent
GigaBrain-0.7 不在评测方法学延革 6 锚链(GigaBrain-0.7 是 VLA 模型,不是评测 benchmark)。评测方法学锚链继续 6 锚不变;具身 VLA 锚链预备 5 锚 = AtlasVLA + DreamX-Phi 1.0 + Hydra-0 + SparsePR + GigaBrain-0.7。
6.4 与 v59 接力棒的关系
v59 接力棒预备(沿用 e1prep 棒): - §2.39.244 GigaBrain-0.7 候选级中-高档 ★★ 预备(multimodal · embodied-foundation-model) - §3.3 #146 反方立基础延展预备("VLA 三系统架构"延展预备) - §4 十九向 ㉓(VLA 三系统架构 + 跨躯体泛化 + 评测方法学延革第 33 例三向聚合预备) - §7.4 #59 flyp multimodal-e1prep v59 备料棒预备
本棒独立精读 → 建议 v59 落定时: - §2.39.244 GigaBrain-0.7 保留 ★★(立标信号 91▲ 实测) - 新增 §2.39.244 评注:① 立标信号强但待同行接收 ② 数据规模是真贡献,三系统架构待核验实质 ③ 复现难度高,工业合作路径为主 - §3.3 #146 反方立基础延展预备 → 加入本棒反方 3 条:命名 vs 实质 / one-stage alignment 代价 / 16 embodiments 真伪
七、Substack 思想线索(沿用 2026-06-10 约束,本棒 1 条)
7.1 作者 / 专栏 / 链接
- 专栏候选:World Labs / Fei-Fe Li(空间智能推动者)—
substack.com/(沿用 flyp 8-26 收口棒记录的具体链接,本棒不重复抓取) - 关联视角:World Labs 推动的"空间智能"叙事 + GigaBrain-0.7 的"具身 + VLA + 三系统"叙事 = 同源不同向(空间智能偏感知侧,具身 VLA 偏动作侧)
7.2 核心观点(中文摘要,不复制原文)
- World Labs / Fei-Fe Li 视角:空间智能是大模型下一阶段的关键能力,需建立统一 benchmark + 可解释方法
- 与本棒精读的关系:GigaBrain-0.7 "三系统"中的 System 2 (Understanding & Planning) 与 "空间智能" 同源(都是语言/视觉 → 推理的中介层);System 3 (Prediction & Evaluation) 与 "世界模型" 同源(都是预测下一状态)
- 飞P 综合判断:World Labs 空间智能 + GigaBrain-0.7 具身 VLA + 视频世界模型(EchoWM) = 2026 下半年三大叙事合流,共同指向"具身 + 空间 + 时间"三轴统一
7.3 是否需要进一步核验
- 低优先核验:World Labs Substack 原文(作者本人即为推动者,可信度高,沿用 flyp 8-26 收口棒记录)
八、结论与建议
8.1 本棒核心结论
| 维度 | 飞P 结论 |
|---|---|
| 核心贡献 | ① 数据规模升级(37k 小时 + 270M V-L, ≈4 倍 π0);② 跨 16 embodiments 评测;③ 开源承诺;④ one-stage alignment 替代 multi-stage(条件贡献) |
| 主要问题 | ① "三系统架构"作为学术创新待同行接收;② 37k 小时中真实 vs 合成占比未明示;③ one-stage alignment 的 loss 平衡未公开;④ 16 embodiments 中"home + industrial"评测协议未公开 |
| 可信度 | 中-高(57 人团队 + 厂商背景 + 第三方文摘一致) |
| 是否建议入库 | 是,进 notes/,暂不进 reviews/ |
| 复现难度 | 高(单实验室无法复现全部,只能复现 architecture + 部分 embodiment) |
| 建议路径 | notes/embodied/GigaBrain-0.7-VLA-three-system-architecture.md(P2) |
8.2 后续验证动作(截止日分级)
| 编号 | 动作 | 截止日 | 优先级 |
|---|---|---|---|
| V1 | PDF 全文核验:三系统是否独立权重 / System 3 世界模型来源 | A1 2026-09-05 | P1 |
| V2 | 数据真实性:真实 vs 合成占比;V-L vs action loss 平衡 | A2 2026-09-05 | P1 |
| V3 | 评测协议核验:LIBERO / RoboChallenge / RLBench 等公开 benchmark 对照 | A3 2026-09-10 | P2 |
| V4 | 同行评审信号核验:CoRL 2026 / RSS 2026 / ICRA 2027 接收 | A4 2026-09-30 | P1 |
| V5 | 开源兑现核验:GitHub repo + 预训练权重发布 | A5 2026-09-30 | P1 |
| V6 | 16 embodiments 表核验:embodiment 清单与任务规模 | A6 2026-09-10 | P2 |
8.3 飞P 评级(独立精读棒立场)
GigaBrain-0.7 综合评级 = B+(投稿 + 待同行接收 + 厂商背景)
| 子项 | 评级 | 说明 |
|---|---|---|
| 学术贡献 | B | 数据 + 评测 + 开源是真;三系统架构作为学术创新待同行认可 |
| 工程实用 | A- | 数据 + 开源 + 工业场景,工业界可借鉴 |
| 立标信号 | A | 91▲ 实测极显著 |
| 复现可行性 | C+ | 高(单实验室无法复现全部) |
| 综合 | B+(有条件升 A-) | 待 CoRL/RSS/ICRA 接收 → 升 A-;待开源兑现 → 升 A |
8.4 边界声明(本棒)
- 本棒 = flyP 独立批判性精读棒,非 e1prep 棒复述;两者互补(e1prep 做系统预备,本棒做独立批判)
- 本棒不抓 PDF 全文,仅基于 arXiv abs + 第三方文摘(themoonlight + alphaxiv + YouTube 章节索引);实验数字与 ablation 表为摘要级,待全文核验
- 本棒不直接写入 GitHub
notes//reviews//topics//risk/;建议路径仅作"飞P 立场 + 入库优先级"参考 - 本棒不执行
git commit/git push/gh pr;后续 GitHub 合并由单独同步任务串行处理 - 本棒不复制论文原文长段内容;只做中文摘要 + 评价 + 引用链接
- 本棒不输出 API key / Cookie / OAuth token / 私有下载链接
- 本棒仅产出 inbox/flyp/ 草稿一份:
/shared/research-kb/inbox/flyp/2026-08-27-critical-read-GigaBrain-0.7-VLA-three-system.md - 本棒 Substack 思想线索合计 1 条(World Labs 沿用 8-26 收口棒记录),符合 2026-06-10 约束
- 本棒 1-2 篇精读约束已收口为"独立批判性精读 1 篇 = GigaBrain-0.7",符合轻量精读模式
本次任务结论
| 维度 | 结论 |
|---|---|
| 本次主题 | 2026-08-27 flyP 独立批判性精读 · GigaBrain-0.7 arXiv:2608.15875 VLA 三系统架构具身基础模型 |
| 检索范围 | arXiv abs + alphaXiv + HF Daily + themoonlight + YouTube AI Paper Slop 章节索引(零次全文抓取) |
| 候选条目 | 1 篇 = GigaBrain-0.7(沿用 e1prep 棒预备) |
| 高价值条目 | 1 条 = GigaBrain-0.7 91▲ 立标极显著 + 数据规模升级 + 三系统架构(条件贡献) |
| 分类标签 | embodied / VLA / foundation-model / three-system-architecture / cross-embodiment-generalization / world-model / robot-learning / flyP-critical-read |
| 建议写入路径 | inbox/flyp/2026-08-27-critical-read-GigaBrain-0.7-VLA-three-system.md(本棒已写) + notes/embodied/GigaBrain-0.7-VLA-three-system-architecture.md(P2 参考) |
| 是否需要精读 / 审稿 / 主题页更新 | 精读:已精读(本棒);审稿:建议 V1-V6 验证动作(截止 A1-A6);主题页更新:建议 v59 §2.39.244 候补级保留 ★★ + §3.3 #146 反方立基础延展预备加入本棒反方 3 条 |
🔴 待补查(本棒 6 条,沿用 2026-06-10 flyP 精读与批判稳定运行约束): ① PDF 全文核验:三系统独立权重 / System 3 世界模型来源(截止 A1 2026-09-05) ② 数据真实性:37k 小时真实 vs 合成占比;V-L vs action loss 平衡(截止 A2 2026-09-05) ③ 评测协议:LIBERO / RoboChallenge / RLBench 公开 benchmark 对照(截止 A3 2026-09-10) ④ 同行评审信号:CoRL 2026 / RSS 2026 / ICRA 2027 接收(截止 A4 2026-09-30) ⑤ 开源兑现:GitHub repo + 预训练权重发布(截止 A5 2026-09-30) ⑥ 16 embodiments 表:embodiment 清单与任务规模(截止 A6 2026-09-10)