GR-3 技术报告

这份技术报告试图回答一个机器人学习里的核心问题：如何构建能处理真实世界多样性的通用机器人策略。字节跳动 Seed 给出的答案是 GR-3，一个大规模 vision-language-action（VLA）模型，并同时展示配套的双臂移动机器人 ByteMini 和一套训练配方。报告值得看的地方在于，它没有只停留在模型结构上，而是把泛化到新物体、新环境和抽象概念指令，少量数据快速适配，以及长程灵巧任务这几件事放在同一套真实世界实验中讨论。换句话说，读者可以看到一条从数据、模型到机器人本体的完整技术链路。

报告覆盖的范围包括 GR-3 的模型设计、训练数据来源、ByteMini 机器人，以及三类真实世界任务上的评测。GR-3 的输入是自然语言指令、环境观测和机器人状态，输出一个 action chunk，以端到端方式控制双臂移动机器人。模型建立在预训练 VLM 之上，材料明确提到使用 Qwen2.5-VL-3B-Instruct，并采用 mixture-of-transformers 架构，由 action diffusion transformer（DiT）预测动作，动作预测使用 flow matching。训练配方则组合了三类数据：web-scale vision-language 数据共训、通过 VR 设备采集的人类轨迹数据做高效微调，以及机器人轨迹数据上的模仿学习。

在能力层面，报告强调 GR-3 能严格遵循语言指令，并泛化到新物体、新环境和涉及抽象概念的指令。材料进一步说明，这种泛化不只是识别新类别物体，还包括理解尺寸、空间关系和常识知识等机器人轨迹数据中未出现过的概念。GR-3 还被描述为能处理长程和灵巧任务，包括需要双臂操作和移动的任务，并在此类任务中表现出稳健性和可靠性。这里的判断是，报告把“指令理解”和“长程执行”视为同一模型需要同时解决的两端，而不是分开处理。

数据效率是报告给出的另一个关键点。材料称 GR-3 可以用极少量人类轨迹数据高效微调，具体到新物体适配时，每个物体只需要 10 条人类轨迹。真实世界实验覆盖三类挑战性任务：可泛化的 pick-and-place、长程 table bussing 和灵巧 cloth manipulation。报告称 GR-3 在这些任务上持续优于当前最优基线方法 π0，并在 table bussing 和 cloth manipulation 上取得较高的平均任务进度。这意味着，至少在这份报告设定的任务范围内，少量人类轨迹加共训配方可以支撑较快的场景适配。

这些结论的实践含义在于，通用机器人策略未必要完全依赖大规模机器人演示数据。把 web-scale vision-language 数据、VR 采集的人类轨迹和机器人轨迹组合起来，可能同时改善概念理解和动作学习；而人类轨迹微调则提供了一条低成本适配新物体的路径。ByteMini 作为双臂移动机器人，与 GR-3 集成后可执行多类任务，说明报告关注的是完整系统而非孤立模型。解读一下，这套组合更像是在验证“数据配方和硬件本体共同决定通用性”，而不只是比较单一模型结构。

适合读这份材料的人，是关注 VLA 模型、机器人学习、具身智能系统与数据采集的同行。读完可以拿走几个具体要点：GR-3 的模型架构选择、三类数据共训与 VR 人类轨迹微调的思路、ByteMini 的软硬件组合，以及以 π0 为基线的三类真实任务评测设置。边界也需要说清楚：材料呈现的是报告的核心论述与实验概览，没有展开完整实验表格、失败案例和长期部署数据；任务范围限于报告列出的三类任务，不能据此推断 GR-3 在任意场景下都能通用。所有性能结论均来自报告自述的真实世界实验，读者若要评估复现成本、安全性和规模化部署，还需要更多材料。

GR-3 Technical Report ByteDance Seed Full Author List in Contributions and Acknowledgements Abstract We report our recent progress towards building generalist robot policies, the development of GR-3. GR-3 is a large-scale vision-language-action (VLA) model. It showcases exceptional capabilities in generalizing to novel objects, environments, and instructions involving abstract concepts. Furthermore, it can be efficiently fine-tuned with minimal human trajectory data, enabling rapid and cost-effective adaptation to new settings. GR-3 also excels in handling long-horizon and dexterous tasks, including those requiring bi-manual manipulation and mobile movement, showcasing robust and reliable performance. These capabilities are achieved through a multi-faceted training recipe that includes co-training with web-scale vision-language data, efficient