近日，星海图（Galaxea）开源具身基础模型G0.5登顶RoboDojo最新Simulation Leaderboard，以20.23的综合得分位列榜单第一。其中，G0.5在 Precision（精细操作） 和 Long-Horizon（长时序任务）两项关键指标中分别取得28.25和44.12的成绩，展现出模型在复杂任务理解、连续规划和稳定执行方面的能力。

继LIBERO、BEHAVIOR-1K Challenge多个国际权威评测取得领先成绩后，本次登顶RoboDojo，进一步验证了G0.5统一自回归技术路线在精细操作、长程任务执行和跨任务泛化上的实力。

登顶公开Benchmark，验证通用机器人复杂任务能力

相较于传统机器人评测更关注单一任务成功率，RoboDojo更强调机器人在真实环境中的综合操作能力。该平台围绕机器人真实操作能力，建立统一的数据集、任务体系和评测标准，通过42个仿真任务和18个真实机器人任务，对机器人模型进行客观、系统性评估。

本次评测中，G0.5 在Precision（得分28.25）与Long-Horizon（得分44.12）两项能力表现尤为突出。

一方面，G0.5在长时间任务规划和连续操作中具备稳定表现，在桌面整理、工具收纳、多物体操作等任务中，机器人能持续理解当前环境状态，根据任务进展动态调整动作策略，并最终完成完整目标。

另一方面，G0.5也展示出了较强的精细任务操作能力，面对插入、对齐、堆叠等任务，不仅能识别目标位置，还结合环境反馈不断调整运动轨迹，实现稳定可靠的操作。

同时，通过大规模、多任务预训练，G0.5形成了可迁移、可组合的操作智能。在面对新的场景、空间布局和从未见过的物体时，仅凭自然语言指令，G0.5就能直接执行操作，保持了良好的零样本泛化能力，实现 “边思考边行动”。

统一自回归架构，构建G0.5通用机器人智能基座

G0.5持续取得公开Benchmark领先成绩，并非依赖针对单一任务的优化，而是源于星海图坚持统一自回归具身基础模型的技术路线。

与将视觉语言模型作为独立编码器、再交由动作模块生成控制信号的常见方案不同，G0.5让视觉理解、具身推理与动作生成共享同一Transformer Decoder，在统一自回归序列中完成任务理解与机器人控制，使推理能够直接参与动作决策。

基于这一架构，G0.5进一步结合具身推理生成、结构化动作编码与时空注意力机制，使机器人动作不再只是对环境状态的响应，进一步理解任务目标、预测环境变化并持续规划执行。这一技术路线，使模型能够在长时序任务中保持更好的任务连贯性，也让机器人面对新的场景和任务时具备更强的泛化能力。

这一能力已在多个公开Benchmark中得到验证。截至目前，G0.5已在 LIBERO、BEHAVIOR-1K Challenge、RoboTwin 2.0、SimplerEnv-Bridge、Real-World Fine-Tuning、DROID Zero-shot Evaluation、Pick-and-Place Benchmark 等多项评测中取得领先表现。本次登顶RoboDojo公开Leaderboard，进一步验证了统一自回归架构在通用机器人基础模型中的发展潜力。

与此同时，星海图持续推进具身智能技术开源、开放。截至目前，G0.5已向全球开发者开放模型、代码及相关资源，降低开发者探索具身智能的门槛，加速机器人基础模型的发展。从公开评测到真实应用，从模型能力到开发者生态，星海图期待与全球开发者和研究者共同探索，让机器人真正具备理解世界、自主行动的能力。