GR-2：带网络规模知识的生成式视频-语言-动作模型

机器人要变聪明，靠的不只是本体和控制器，还得有一个能把看到的画面、听到的指令和要执行的动作串起来的模型。GR-2 这份资料要回答的正是这个问题：一个生成式的视频-语言-动作模型，能不能把互联网规模的知识带进机器人身上。它是字节跳动在 2024 年 10 月公开的工作，以 arXiv 论文形式发布，全文 PDF 可以免费下载。之所以现在值得翻，是因为具身智能和机器人基础模型这条线正快速拥挤，而“网络规模知识怎么落到具体动作上”，是其中被反复提起的一环。

就给定材料能确认的范围而言，它落在具身智能与机器人基础模型这个方向里，核心是把视频、语言、动作三种信号放进同一个模型处理，而不是各做一套再拼接。标题里的“生成式”标明建模路线是生成式的——换句话说，能力来自对视频与动作序列的生成式建模，而不是只做判别式的分类或回归；这只是从命名读出的定位，具体实现仍以原文为准。“网络规模知识”则指向预训练阶段动用互联网量级的数据，再把这份知识迁移到机器人任务上。至于用了哪些数据集、模型多大、训练分几个阶段，材料没有交代，只能回到论文正文核对。

这里必须说清楚一件事：给定材料只到“名称、机构、时间、方向、获取方式”这一层，没有任何实验数字、基准名称或对比结论。因此能逐条讲清楚的要点，只有命名层面的三件事。一是模态上覆盖视频、语言、动作，说明它面向的是“看图、听令、做动作”的完整回路；二是方法上强调生成式；三是知识来源上强调网络规模，即把通用数据里的先验当作机器人数据的补充。任何诸如成功率、任务数量、参数量之类的具体数字，材料里都没有。

围绕“网络规模知识”这一点，值得多说一句它为什么会被写进标题。把网络规模知识写进标题，隐含的前提是机器人自身的动作数据相对有限——这是解读，材料并未给出任何数据规模的说明。互联网上的视频和图文则量大且多样，把从中学到的东西迁移到机器人任务上，是这类模型的核心赌注。换句话说，GR-2 的命名在主张一种“先广泛看世界、再学着动手”的路径，但材料没有说明这份迁移具体怎么实现、效果如何，只能把它当作论文要论证的命题，而不是已确认的结论。

对做机器人学习和具身智能的团队来说，这份资料的价值更多在定位而非结论。它把“生成式”和“网络规模知识”两个卖点同时放进标题，等于抛出一条可被检验的技术主张：如果通用数据里的先验真能帮上动作生成，那么数据效率与泛化能力就该有可见的改善。反过来，读的时候也该带着怀疑：这种迁移在真机任务上是否稳定、与同期其他视频-语言-动作工作相比处在什么位置，都要看原文的实验部分。这意味着它更适合被当作一个待验证的方案来看，而不是一个已被材料证实的性能标杆。

适合读的人大致是两类：做具身智能或机器人基础模型研究、想了解视频-语言-动作这条路线如何被表述的读者，以及需要写产品发布解读、想先摸清定位再决定深度的读者。读完能拿走的是一份清楚的问题设定——模型要解决什么、用了哪几类信号、把知识来源押在哪里——以及一个可用的检索锚点：arXiv 上可免费下载的全文 PDF。边界也要讲明：材料本身不含任何量化结果与技术细节，凡涉及效果、规模和横向对比的判断，都必须以原文为准，不能从这份介绍里外推。