诺因GLOW报告：机器人一次演示实现跨场景复用

9月24日，诺因发布面向通用具身智能的GLOW技术报告。该架构试图解决机器人学习新任务时依赖重复采集数据、编写流程和专项训练的问题，让机器人结合人类演示、环境状态、自身状态及执行历史，理解动作顺序和物体关系，一次教学后跨物体、跨环境复用技能。报告称，GLOW已在多项具身评测中取得第一。

在开盒收纳任务中，机器人能根据盒子尺寸和物品位置完成开盖、放物、合盖，更换盒子和物品也无需重新教学；浇水任务中，即使示范使用黑色细嘴壶、执行时改用绿色浇水壶，系统仍能迁移抓握、对准和倾斜动作，并依据实时画面调整后续步骤。

擦桌时，机器人看过人类沿心形轨迹移动抹布的一次示范后，也能复现相同轨迹，学习用户的操作偏好，而不只是识别“擦桌”这一任务。面对多杯调酒流程，系统还能识别对象、倾倒关系和先后顺序，连续完成取杯、倾倒、回正及放回。

GLOW由四个模块协同组成：KnowinGLOW将视觉理解、语义解析、空间推理、任务规划和动作生成统一到多模态自回归模型中；KnowinDream以Home×Event×Future生成多样物理经验，并改变光照、材质、背景、家庭环境、视角和机器人配置；KnowinWorld推演碰撞、接触稳定性及路径可达性，训练时减少真机试错，执行时提前排除风险；KnowinAgent（Harness）记录任务节点和反馈，出现偏差可就地修正，并在精细操作时切换为微调模式。一次示范会被编码为可复用技能，执行新任务时无需重新训练参数。

报告显示，在RoboDojo 18项仿真任务中，GLOW平均成功率62.2%、平均得分71.1，较GPT-6（Robocurve）高40个百分点和41.3分；在LIBERO-Pro六项扰动测试中平均成功率86.7%，高于GPT-6 Astra的58.2%，五项领先，较第二名单策略模型ASPIRE高15个百分点；在Embodied Arena 2D具身问答榜中，KnowinBrain-1.5以65.62分在20个模型中排名第一。诺因表示，后续将继续通过规模化真实与合成物理经验、统一认知行动架构及闭环反馈，提升机器人在变化环境中的自主执行和任务泛化能力。