智元全新发布的 GO-3 Preview 具身基座模型，依靠自研 WRAM 具身原生架构完成感知、预测、动作一体化建模，成功打通预训练、后训练、部署后持续迭代的全链路规模化学习体系，一举拿下 RoboDojo、RoboTwin、RoboColiseum 三大行业评测榜单第一名，整体架构彻底解决传统机器人多模块拆分带来的数据损耗、响应延迟问题，让人形机器人可以在真实物理环境里完成跨场景泛化作业与精细化操作，真正实现从实验室算法到实景落地的技术跨越。传统机器人系统普遍采用模块化拆分方案，感知、预测、控制相互独立，模块之间传输数据会产生信息丢失，面对动态变化的环境无法做到实时决策；而 WRAM 架构把环境理解、未来推演、动作生成整合到同一个大模型内部，采用端到端统一建模模式，从根源消除跨模块的数据断层，再搭配 CoAE 视觉编码器、SVP 单步规划器、KASO 优化机制三大核心组件，让机器人先预判环境变化再输出动作指令。同时 GO-3 Preview 配套 Genie Evolver 虚实协同训练系统与 Genie Master 智能体框架，把模型学习分成三个阶段稳步推进。第一步开展海量多模态数据预训练，给模型建立物理世界常识与基础视觉认知；第二步进入真机 + 仿真双环境做后训练，把视频经验转化为可执行的机器人动作轨迹；第三步在真实作业场景持续在线迭代，不断优化抓取、装配等精细动作能力。整体来看，WRAM 架构为 GO-3 Preview 提供了底层技术底座，全链路学习机制持续放大模型能力，这套软硬件组合大幅提升机器人的通用作业能力，后续还将在 2026 年底完成全面开源，进一步带动整个具身智能行业技术发展。
一、WRAM 架构核心技术构成
WRAM 全称 World Reasoning Action Model，也就是世界推理动作模型，是专为具身智能打造的原生一体化架构，三大核心组件如下：
表格
| 组件名称 | 核心作用 | 技术能力 |
|---|---|---|
| CoAE 面向控制视觉编码器 | 提取面向动作执行的视觉特征 | 精准识别物体位置、形态、空间关系，打通视觉观测与动作控制的数据链路 |
| SVP 单步视觉规划器 | 一步完成未来状态预测 | 结合当前画面与任务指令，直接预判环境变化，形成完整动作前置推演 |
| KASO 知识对齐选择性优化 | 对齐视频常识与真机动作数据 | 把海量人类操作视频转化为机器人可复用的物理经验，减少虚实仿真之间的能力落差 |
二、GO-3 Preview 全链路学习完整流程
1. 预训练阶段：输入互联网多模态视频、图文、机器人轨迹数据，依托 WRAM 架构完成通用物理常识学习，建立基础环境理解能力。
2. 后训练阶段：依托 Genie Evolver 系统，同步在仿真虚拟场景与真机硬件上开展迭代，把预测出来的未来状态映射成机器人关节动作，打磨基础操作技能。
3. 部署后持续学习阶段：机器人在真实作业场景中记录每一次操作的成败数据，把实操经验回传到模型，持续优化动作精度，实现越用越智能。
三、GO-3 Preview 核心能力指标
1. 榜单成绩：登顶 RoboDojo、RoboTwin、RoboColiseum 三项权威具身智能评测榜单，综合性能达到行业第一梯队水平。
2. 作业能力：支持跨任务泛化，在未见过的全新场景下，依然可以完成物品抓取、零件组装、物体搬运等精细化操作。
3. 推理效率：端到端一体化决策，省去多模块数据交互环节，整机动作响应延迟大幅降低，满足动态环境下实时作业需求。
4. 开源计划：2026 年底面向行业全面开源 WRAM 架构与 GO-3 Preview 模型权重，开放二次开发权限。
四、WRAM 架构对比传统模块化方案优势
1. 数据链路：一体化单模型建模，无模块拆分，全程无信息损耗；传统多模块串联，数据反复转码，信息丢失严重。
2. 决策逻辑：先预测环境变化再生成动作，做到 “先预判、再执行”；传统方案边观测边动作，缺少前置推演，容易出现操作失误。
3. 泛化性能：依托统一特征空间，跨场景迁移能力更强；分模块架构适配新场景时需要单独重新调试每一个模块，适配成本高。
4. 迭代效率：一套模型统一优化，只需要做一次训练迭代；多模块系统需要分别优化感知、预测、控制模块，整体迭代周期更长。
【相关 FAQ】
问题 1：GO-3 Preview 搭载的 WRAM 架构，是如何实现感知、预测、动作一体化建模的？
回答 1：GO-3 Preview 搭载的 WRAM 架构摒弃了传统机器人分模块设计，依靠 CoAE 视觉编码器提取控制向视觉特征，再由 SVP 单步规划器预判环境未来状态，最后统一生成动作指令，把环境理解、未来推演、动作生成整合在同一个大模型内部，实现三者统一建模，消除跨模块的数据断层，保障机器人连贯完成观察、预判、执行全流程。
问题 2：GO-3 Preview 依靠 WRAM 架构搭建的全链路学习体系，包含哪几个关键环节？
回答 2：GO-3 Preview 依靠 WRAM 架构搭建起三段式全链路学习体系，第一环节是多模态数据预训练，搭建物理世界通用认知；第二环节是 Genie Evolver 真机 + 仿真协同后训练，把视频常识转化为实体动作；第三环节是部署上线后的在线持续学习，依靠真实作业数据不断优化动作精度，形成闭环迭代。
问题 3：搭载 WRAM 架构的 GO-3 Preview，在行业权威评测中取得了怎样的成绩？
回答 3：搭载 WRAM 架构的 GO-3 Preview 已经成功登顶 RoboDojo、RoboTwin、RoboColiseum 三大具身智能权威评测榜单，综合性能位居行业前列，并且该模型会在 2026 年底全面开源，为行业提供可落地的具身大模型底座。
【参考资料】
[2026-10-29]（智元正式发布 GO-3 Preview：自研 WRAM 架构加持）CNMO 科技
[2026-10-29]（智元 GO-3 Preview 登顶三大榜单，WRAM 架构实现端到端具身决策）36 氪
[2026-10-29]（智元发布 GO-3 Preview 具身模型，WRAM 架构打通全链路规模化学习）品玩
[2026-10-29]（智元创新日发布 GO-3 Preview，WRAM 原生架构落地人形机器人）广州日报大洋网
免责声明
本文全部技术参数、架构方案、评测成绩与开源计划均来自智元官方发布会与权威媒体公开报道；WRAM 架构与 GO-3 Preview 模型的实际落地效果，会随着固件迭代、硬件适配持续优化；本文内容仅作技术信息参考，不构成任何技术合作与产品采购承诺。