通信世界网消息（CWW）8月14日，据智元机器人消息，智元机器人推出面向真实世界机器人操控的统一世界模型平台Genie Envisioner（GE）。 不同于传统“数据-训练-评估”割裂的流水线模式，GE将未来帧预测、策略学习与仿真评估首次整合进以视频生成为核心的闭环架构，使机器人在同一世界模型中完成从“看”到“想”再到“动”的端到端推理与执行。
据了解，GE的核心突破在于构建了基于世界模型的以视觉中心的建模范式。不同于主流VLA（Vision-Language-Action）方法依赖视觉-语言模型将视觉输入映射到语言空间进行间接建模，GE直接在视觉空间中建模机器人与环境的交互动态。这种方法完整保留了操控过程中的空间结构和时序演化信息，实现了对机器人-环境动态更精确、更直接的建模。
这一视觉中心的建模范式带来了两个关键优势。
高效的跨本体泛化能力
基于强大的视觉空间预训练，GE-Act仅需极少量数据即可实现跨平台迁移。在Agilex Cobot Magic和Dual Franka等全新机器人平台上，GE-Act仅使用1小时（约250个演示）的遥操作数据就实现了高质量的任务执行。相比之下，即使是在多本体数据上有大规模预训练的π0和GR00T模型，在相同数据量下的表现也不如GE-Act。
这种高效泛化源于GE-Base在视觉空间中学习到的通用操控表征。通过直接建模视觉动态而非依赖语言抽象，模型能够捕捉到跨平台共享的底层物理规律和操控模式，从而实现快速适配。
长时序任务的精确执行能力
更重要的是，视觉中心建模赋予了GE强大的未来时空预测能力。通过在视觉空间中显式建模时序演化，GE-Act能够规划和执行需要长时序推理的复杂任务。
在折叠纸盒等超长步骤任务中，GE-Act展现出了远超现有SOTA方法的性能。以纸盒折叠为例，这项任务需要精确执行超过10个连续子步骤，每个步骤都依赖于前序动作的准确完成。GE-Act达到了76%的成功率，而专门针对柔性物体操控优化的π0仅为48%，UniVLA和GR00T则完全无法完成（0%成功率）。
这种长时序执行能力的提升不仅源于GE的视觉世界建模，同时也得益于我们创新设计的sparse memory模块。通过这样的模块设计，能够帮助机器人选择性地保留关键历史信息，从而在长时序任务中保持精确的上下文理解。通过预测未来的视觉状态，GE-Act能够"预见"动作的长期后果，从而生成更连贯、更稳定的操控序列。相比之下，基于语言空间的方法在长时序任务中容易出现误差累积和语义漂移。
