GigaBrain-0.5M*: Визуально-языковая модель, обучающаяся на основе обучения с подкреплением с использованием моделей мира
GigaBrain-0.5M*: a VLA That Learns From World Model-Based Reinforcement Learning
February 12, 2026
Авторы: GigaBrain Team, Boyuan Wang, Chaojun Ni, Guan Huang, Guosheng Zhao, Hao Li, Jie Li, Jindi Lv, Jingyu Liu, Lv Feng, Mingming Yu, Peng Li, Qiuping Deng, Tianze Liu, Xinyu Zhou, Xinze Chen, Xiaofeng Wang, Yang Wang, Yifan Li, Yifei Nie, Yilong Li, Yukun Zhou, Yun Ye, Zhichao Liu, Zheng Zhu
cs.AI
Аннотация
Модели "видение-язык-действие" (VLA), которые напрямую предсказывают последовательности действий из текущих наблюдений, сталкиваются с фундаментальными ограничениями, обусловленными узким пониманием сцены и слабыми возможностями прогнозирования будущего. В отличие от них, видео-мировые модели, предобученные на веб-масштабных видеокорпусах, демонстрируют надежное пространственно-временное мышление и точное предсказание будущего, что делает их естественной основой для улучшения обучения VLA. Поэтому мы предлагаем GigaBrain-0.5M* — модель VLA, обученную с помощью обучения с подкреплением на основе мировой модели. Построенная на базе GigaBrain-0.5, которая предобучена на более чем 10 000 часов данных о манипуляциях роботов и чья промежуточная версия в настоящее время занимает первое место в международном бенчмарке RoboChallenge, модель GigaBrain-0.5M* дополнительно интегрирует обучение с подкреплением на основе мировой модели через метод RAMP (Reinforcement leArning via world Model-conditioned Policy) для обеспечения надежной межзадачной адаптации. Экспериментальные результаты показывают, что RAMP обеспечивает существенный прирост производительности по сравнению с базовым методом RECAP, давая улучшение примерно на 30% в сложных задачах, включая складывание белья, упаковку коробок и приготовление эспрессо. Важно, что GigaBrain-0.5M* демонстрирует надежное выполнение задач в длительном горизонте, стабильно выполняя сложные манипуляционные задачи без сбоев, что подтверждено видеозаписями реальных развертываний на нашей [странице проекта](https://gigabrain05m.github.io).
English
Vision-language-action (VLA) models that directly predict multi-step action chunks from current observations face inherent limitations due to constrained scene understanding and weak future anticipation capabilities. In contrast, video world models pre-trained on web-scale video corpora exhibit robust spatiotemporal reasoning and accurate future prediction, making them a natural foundation for enhancing VLA learning. Therefore, we propose GigaBrain-0.5M*, a VLA model trained via world model-based reinforcement learning. Built upon GigaBrain-0.5, which is pre-trained on over 10,000 hours of robotic manipulation data, whose intermediate version currently ranks first on the international RoboChallenge benchmark. GigaBrain-0.5M* further integrates world model-based reinforcement learning via RAMP (Reinforcement leArning via world Model-conditioned Policy) to enable robust cross-task adaptation. Empirical results demonstrate that RAMP achieves substantial performance gains over the RECAP baseline, yielding improvements of approximately 30\% on challenging tasks including Laundry Folding, Box Packing, and Espresso Preparation. Critically, GigaBrain-0.5M^* exhibits reliable long-horizon execution, consistently accomplishing complex manipulation tasks without failure as validated by real-world deployment videos on our https://gigabrain05m.github.io{project page}.