

> 智元机器人推出的新一代具身基座大模型从根本上重塑了机器人的思考路径。通过引入高频纠偏的异步双系统，该技术不仅在多项权威基准测试中拔得头筹，更为产业级落地提供了坚实底座。

## 突破边看边做传统局限

具身智能领域的底层逻辑正在被重新书写。智元机器人于4月9日正式揭晓了其呕心沥血打造的新一代具身基座大模型Genie Operator-2。这款被简称为GO-2的模型，肩负着彻底打通从高阶逻辑推理到末端精准物理执行最后一道屏障的行业使命。

其最核心的技术突破在于业界首创的动作思维链机制。有别于传统端到端模型依靠直接输出底层电机控制信号的边看边做模式，GO-2被赋予了类似人类想清楚再动的前瞻性思考能力。在接收到环境输入后，模型会率先在虚拟认知空间中生成一段高度结构化的全局动作序列规划。这种将物理感知与动作空间推理深度解耦的开创性思路，凭借其卓越的泛化能力，其学术论文已正式被全球顶尖人工智能学术会议CVPR2026收录。

![42.png](https://static.downly.cn/images/5828d48a5e13c05461e543165fe73d0d.png)
 <center>图源备注：图片由AI生成</center>

## 异步双系统保障极致微调

为了将在虚拟空间中完美规划的思维链在充满不确定性的现实物理世界中平稳落地，研发团队为GO-2量身定制了一套精密协同的异步双操作系统架构。

其中被定义为智囊的慢系统，以较低的时钟频率运行，专注于处理宏观任务节点，持续向外输出具备长周期逻辑支撑的动作意图流。而充当肌肉的快系统则保持极高频的轮询状态，时刻比对真实环境与慢系统规划的偏差。一旦在执行过程中遭遇目标物体意外滑动或操作台高度微小形变等突发状况，快系统便能在毫秒级进行瞬时微调补偿，确保机械臂最终的物理轨迹与预设的意图严密贴合。

![43.png](https://static.downly.cn/images/011159d083b7e9aad1df2ee6dece029d.png)
<center>图源备注：图片由AI生成</center>

## 霸榜评测与产业量产愿景

硬核的技术革新直接转化为了评测榜单上的统治级数据。在衡量具身模型综合实力的LIBERO Benchmark权威基准测试中，GO-2在四类极其严苛的交互任务中横扫千军，以平均98.5%的惊人成功率登顶全球第一。在另一项内部仿生测试Genie Sim3.0中，该模型仅依靠纯仿真合成数据进行预训练，便在真实物理环境迁移测试中斩获了82.9%的成功率，在零样本泛化指标上显著拉开了与同赛道竞品模型的差距。

更具长远意义的是，智元构建了一套依托Genie Studio平台的分布式进化闭环。通过在复杂的真实产业线中持续汲取交互反馈，GO-2正在从一个封闭的实验室产物加速蜕变为具备持续自学习能力的通用大脑，真正拉开了机器人从纸上谈兵迈向精准改变物理世界的工业新纪元大幕。

智元GO-2模型重磅首发 动作思维链刷新具身智能执行天花板



> 面对AI多镜头连贯性危机，入选CVPR的STAGE框架以起始与结束帧对预测取代传统关键帧，让算法真正掌握导演级分镜转场艺术。

## 视觉狂欢背后的多镜头连贯性危机

从Sora到Seedance 2.0，视频生成大模型的视觉表现力屡创巅峰，但当创作者试图用其拼接一个完整故事时，叙事连贯性的短板便暴露无遗。目前行业主流的多镜头生成方案主要分为两条路线 一镜到底的端到端生成以及基于关键帧的分布演进。前者计算成本极其高昂且宛如开盲盒，创作者几乎无法控制中间过程；后者虽然提供了操作灵活性，但模型往往只能死板地记住几个核心画面的样貌，完全缺乏对镜头衔接逻辑的理解。

这种机制上的缺陷，直接导致了生成视频中频繁出现灾难性的画面断层。前一个镜头人物穿着红衣，下一个镜头便发生色彩跳跃，或者在推进特写时物体出现不符合物理规律的瞬移。这种现象的本质在于，当前的AI依然停留在画单帧的阶段，缺乏专业导演对镜头起承转合的统筹能力。

![12.png](https://static.downly.cn/images/30f2378974266a12a56184c639ce513c.png)

<center>图源备注：图片由AI生成</center>

## 骨架重塑与双帧预测的叙事革命

为了解决跨镜头逻辑断裂的痛点，研究团队提出了以电影分镜为核心的叙事生成框架STAGE。该框架彻底抛弃了稀疏关键帧的传统路径，创新性地将生成任务重构为起始帧与结束帧对的联合预测。

对于每一个独立的镜头，STAGE不再仅仅输出一个极具代表性的画面，而是直接锚定镜头的首尾两帧。这一机制的转变带来了显著的结构化优势。所有镜头的首尾帧依次串联，在时间轴上搭建起极其稳固的视觉骨架，从根本上锁定了角色特征与场景元素的长期一致性。同时，首尾两帧的明确界定，为镜头内部的动态演变提供了清晰的导航航向，让平移、推拉等复杂运镜有了明确的物理终点。更重要的是，前一镜头的结束与后一镜头的起始之间形成了直接的映射关系，对影视剪辑中的转场语言进行了深度数学建模，使画面衔接呈现出丝滑的电影质感。

![13.png](https://static.downly.cn/images/25440b28c6a083b0371382bbabbb5be4.png)

<center>图源备注：图片由AI生成</center>

## 赋予算法导演思维的三大核心技术

支撑这一工作流运转的是被称为STEP2的核心预测模型。为了让这个数字导演具备专业级的场面调度能力，研究团队为其植入了三项关键技术。

多镜头记忆包机制是第一道保障。该技术通过高效的压缩算法，将冗长的历史镜头视觉信息打包提炼，确保算法在渲染后续镜头时依然能准确回溯初始场景的细节，成功规避了角色特征在长程叙事中的偏移风险，同时大幅降低了算力开销。

双重编码策略保障了运镜的平滑。为了保障单镜头内部的运动逻辑自洽，系统将起始帧与结束帧进行深度捆绑和联合编码，使得算法在动笔生成的第一秒，就已经完成了对整个镜头运动轨迹的全局推演。

阶梯式的两阶段训练方案提升了审美下限。第一阶段依靠海量影视片段进行监督微调，赋予模型基础的运镜能力；第二阶段则引入人类偏好对齐机制，投喂经过精挑细选的优质转场案例，让算法在海量阅片中建立起对高级电影感的美学认知。

![14.png](https://static.downly.cn/images/89882420fce1bd923e1147415b214a54.png)

<center>图源备注：图片由AI生成</center>

## 高质量数据集奠定工业化应用基石

为了配合全新的训练逻辑，研究团队放弃了传统聚焦于单帧画面的数据集，独立构建了规模庞大的多镜头视频库。该图库涵盖了十万个高质量电影片段，不仅对首尾帧进行了精准切分，还打上了涵盖故事推进、景别尺度、摄影机位等专业维度的结构化标签。

在行业权威的评测基准中，STAGE在场景一致性、动作流畅度以及风格维持等多个维度上，均展现出对现有主流生成工具的压倒性优势。这项技术路线的成功验证释放了一个明确的行业信号 视频生成的下半场角逐，将从单纯的像素级保真度比拼，全面转向对结构化叙事逻辑的掌控。当算法真正理解了分镜的意义，由AI辅助创作的工业级影视制作时代才真正具备了落地的可能。

告别穿帮与瞬移 STAGE框架以电影分镜重塑AI视频叙事逻辑

> 在即将到来的计算机视觉顶会 CVPR 2025 上，一项名为 SketchVideo 的创新技术引起了广泛关注。这项技术由清华大学和北京信息科学与技术国家研究中心等机构合作研发，能够将简单的手绘线稿转化为生动的视频，标志着视频生成领域进入了一个全新的“线稿时代”。

## 告别复杂 拥抱手绘

传统的视频生成方法往往需要复杂的文本描述、详细的图像输入甚至专业的建模技能。这对于非专业用户来说门槛较高，限制了创意表达。SketchVideo 的出现，有望彻底改变这一现状。它让任何人只需用简单的线条勾勒出想法，就能轻松生成个性化的视频。

![image.png](https://static.downly.cn/images/20250519033422.119944628.png)

## SketchVideo 的核心技术

SketchVideo 之所以能够实现从手绘到视频的跨越，得益于其背后融合的多项先进技术

### 线稿理解与解释

SketchVideo 能够理解用户手绘线稿中的关键信息，包括物体的形状、位置、运动轨迹等。这需要强大的计算机视觉模型来分析和解释线稿的语义。

### 视频生成模型

在理解线稿的基础上，SketchVideo 利用先进的视频生成模型，根据线稿提供的结构和动态信息，生成具有纹理、颜色和细节的视频帧序列。

### 时序一致性控制

为了确保生成的视频流畅自然，SketchVideo 引入了时序一致性控制机制，使得视频帧之间能够平滑过渡，避免闪烁或不连贯的情况。

### 用户交互与编辑

SketchVideo 还提供了用户友好的交互界面，允许用户对手绘线稿进行修改和细化，或调整生成视频的风格和参数，以实现更精准的控制。

## 突破性进展

SketchVideo 在多个方面取得了突破性进展

### 极低的输入门槛

用户只需手绘线稿即可生成视频，极大地降低了视频创作的门槛，让创意不再受限于专业技能。

### 灵活的创意表达

手绘的自由度使得用户可以轻松表达各种天马行空的创意，而无需拘泥于预设的模板或参数。

### 高效的视频制作

相比传统的视频制作流程，SketchVideo 能够快速将想法转化为视频，大幅提高了制作效率。

### 个性化的视觉风格

用户可以通过调整手绘线稿的风格或参数，影响生成视频的最终视觉效果，实现高度个性化的表达。

## 潜在应用场景

SketchVideo 的出现，有望在多个领域产生重要影响

### 动画制作

SketchVideo 可以极大地简化动画制作流程，让动画师能够快速将草图转化为动态场景。

![image.png](https://static.downly.cn/images/20250519033551.260717497.png)

### 故事板与预演

电影、广告等行业的创意人员可以利用 SketchVideo 快速生成故事板或进行视觉预演，更好地呈现创意。

### 教育与演示

教师和讲师可以利用 SketchVideo 轻松创建动态演示文稿或教学视频，提高教学效果。

### 个性化内容创作

普通用户可以利用 SketchVideo 创作独具风格的个性化短视频，用于社交媒体分享或创意表达。

## 结论与展望

SketchVideo 的发布标志着视频生成技术向着更自由、更便捷的方向迈出了重要一步。它将手绘的直观性和创造性与先进的 AI 技术相结合，为用户提供了一种全新的视频创作方式。随着技术的不断发展和完善，SketchVideo 有望在未来的创意产业、教育领域和个人内容创作中发挥越来越重要的作用。我们期待在 CVPR 2025 上看到更多关于 SketchVideo 的精彩展示和深入探讨。

搜索结果: CVPR