智元机器人一天发布两款模型：AGILE 2.0感控一体实现踩球钻火圈等杂技级运动，GE-Act 2.0首次系统性验证世界动作模型Scaling路径

2026年9月9日，智元机器人一天之内接连发布两款模型，一款让机器人进一步实现边看边想边动手，一款回答具身智能领域一个更基础的问题——机器人模型能否像大语言模型一样，沿着Scaling路径通过不断扩大数据规模获得更强的通用能力。

AGILE 2.0感控一体模型：《杂技BOT》展示杂技级运动智能

AGILE 2.0感控一体模型（AGIBOT Generative Intelligent Locomotion Engine）聚焦机器人的运动智能，让机器人实现真正的边看边想边动。为直观展示机器人真的能够用眼睛看，智元推出了创意短片《杂技BOT》，用一系列高难度的视觉驱动动态协同任务，全面验证AGILE 2.0感控一体视觉端到端模型的突破性能力。

片中，灵犀X2上演了完整的人形机器人马戏团演出：钻火圈时看准火圈中心位置轻轻一跃便从容穿越；抖空竹、三人跳长绳、双人跳山羊、双人协作上高台、抛三球、协作搬箱子，所有项目都直指人形机器人行业的核心技术难点——让机器人用眼睛先看、再规划和行动。

最能体现这项能力的是灵犀X2踩球走：双脚站在大球上、滚动大球向前行进，展现出非凡的动态平衡能力和运动能力。智元称，这是行业内首次有双足人形机器人自主实现踩球运动，标志着双足人形机器人的运动智能真正达到与人类媲美的境界。

智元指出，机器人看见不难，难的是所见即所动。人眼与身体天然同步，但机器人相机采集画面、AI计算目标位置本身就存在时间差，滞后的视觉信号如果直接用来指挥运动，机器人很容易抖动、晃动。AGILE 1.0率先打通感知与运动链路，但移动与操作难以做到全身协同、动态耦合、实时规划。AGILE 2.0则进一步实现环境观测、地形理解、动态可通行性分析、全身运动控制、接触状态切换、末端精细操作等全链路深度耦合，构建真正端到端、无中间模块的一体化运行机制，彻底实现视觉感知、环境理解、全身运动控制与上下肢协同操作的统一闭环。

GE-Act 2.0原生世界动作模型：100倍数据验证Scaling

与传统动作模型看到什么就做什么不同，世界动作模型多走一步：先预测这样做下去世界会变成什么样，再决定动作。然而大多数世界动作模型从现有的视频生成模型出发，再接入动作模型，难以看清世界预测与动作能力究竟如何从具身数据中获得。

GE-Act 2.0首次从零系统性回答一个问题：如果把训练数据从300小时扩大到30000小时，机器人模型能否像大语言模型一样随数据增长不断解锁新能力？与主流路线不同，GE-Act 2.0的所有模型参数，包括视觉表征、未来生成、动作预测等核心组件均从随机初始化开始，在具身操作数据上从头训练。训练后，模型不针对评测任务做任何微调和示范，直接在陌生场景、陌生物体上接受语言指令跟随、多技能操作和陌生环境泛化等真机零样本检验，覆盖100项原子任务、20类技能、两种机器人本体。

结果显示，随着数据规模扩大100倍，模型不仅原有技能更稳定，还逐步解锁了此前完全无法完成的新任务——折叠毛巾、嵌套纸杯、拔插笔盖、插花等较精细动作在小规模数据训练的模型上无法被理解，当数据达到3万小时规模时出现了显著的能力顿悟。具体来看：取得非零成功率的任务，在G1-OP机器人上从39项增至76项，在G2-90D机器人上从24项增至72项；G1-OP机器人总体成功率从17.1%提升至44.1%，G2-90D机器人从13.4%提升至31.1%，且5000到30000小时仍未见明显饱和。作为补充，微调后的GE-Act 2.0在RoboTwin陌生环境测试中取得60.52%成功率，在GenieSim指令遵循测试中获得0.770分，均超过π0.5、GR00T N1.7等参与比较的模型。

GE-Act 2.0还设计了原生高效视觉表征CoAE，将一帧256×384画面压缩为24个视觉token，仅为主流表征的十六分之一，同时保留语义、运动与局部结构。配合一步式视觉规划与KASO知识对齐选择性优化方法，模型在RTX 5090显卡上生成一个chunk连续动作仅需104毫秒，大幅优于现有大部分世界动作模型。

两款模型的接连发布，标志着智元在运动智能与操作智能两条技术路线上同步推进，为人形机器人在真实物理世界的规模化落地构筑了更强大的智能底座。

Sources:

• 智元发布GE-Act 2.0，首次验证原生世界—动作模型预训练与路径
• 智元AGILE2.0感控一体模型发布：机器人进入睁眼运动时代 — 紫牛新闻
• 智元机器人发布AGILE 2.0与GE-Act 2.0 — 智元官网