GEN-1.5

1.5 · Rodzina: GEN

Ucieleśniony model fundamentowy (VLA) Generalist AI; uczy się nowych zadań fizycznych z jednego pokazu i generuje trajektorie ruchu 100 Hz.

✓ AktywnyBazowy model robotycznyModel wzrok-język-akcjaModel multimodalny📁 GEN

Okno kontekstowe

~30 s wideo

tokenów

Data premiery

19 sierpnia 2026

🏢Generalist AIProducent

Przegląd

GEN-1.5 to ucieleśniony model fundamentowy (embodied foundation model / Vision-Language-Action) opracowany przez Generalist AI, zaprezentowany 19 sierpnia 2026. Model przetwarza wejście wideo (okno kontekstu ok. 30 sekund) wraz z danymi z czujników, danymi proprioceptywnymi (stan robota) oraz językiem, a na wyjściu generuje trajektorie działań z częstotliwością 100 Hz.

Według producenta model wykazuje początki zdolności uczenia się fizycznych umiejętności w trybie one-shot: potrafi przyswoić nowe zadanie na podstawie pojedynczego pokazu trwającego od 3 do 12 sekund, a także adaptować się few-shot poprzez 1–10 kroków gradientu na 1–5 minutach danych. Deklarowane wyniki to średnio 59% (±10%) skuteczności przy promptowaniu one-shot w kontekście oraz 83% (±9%) po douczeniu few-shot (10 kroków gradientu), przy zmianie wag poniżej 0,15%.

Model był trenowany metodą skalowanego pretreningu na dużych zbiorach danych z fizycznych interakcji zbieranych w domach, magazynach i fabrykach; producent deklaruje ciągły pretrening trwający ponad 8 miesięcy. GEN-1.5 należy do rodziny modeli GEN (następca GEN-1).

Klasyfikacja

Bazowy model robotycznyModel wzrok-język-akcjaModel multimodalny

Rodzina: GEN

Zastosowania

Manipulacja robotyczna

Dostęp i wdrożenie

Wagi: Zamknięte

Kluczowe parametry

📏 Kontekst: ~30 s wideo

📥 Wejście: wideo, sensory robota, dane stanu robota, tekst

Robotyka

Dexterous manipulationRobot manipulationRobot controlEmbodied task planningMotion planningObject affordance understanding

Specyfikacja techniczna

Okno kontekstowe

~30 s wideo

tokenów

Modalności

⬇ Wejście (Input)

videorobot_sensorsrobot_state_datatext

⬆ Wyjście (Output)

robot_actionsmotion_trajectories

Możliwości i zastosowania

Natywne możliwości modelu

Ugruntowanie wizualno-językowo-akcyjne

Zdolność modelu VLA do łączenia percepcji wizualnej i polecenia językowego z konkretnym działaniem fizycznym robota. Model rozumie scenę i intencję, a następnie generuje sekwencję akcji wykonawczych, zamykając pętlę od obserwacji do ruchu.

Kategoria: robotics

Warunkowanie akcjami

Sterowanie generacją modelu poprzez sygnały akcji (kamera, pose robota, komendy, mowa) zamiast wyłącznie promptem tekstowym.

Kategoria: multimodal

Rozumienie wideo

Zdolność modelu do analizy i interpretacji treści wideo — rozpoznawania akcji, ruchu, zdarzeń oraz relacji między obiektami w czasie.

Kategoria: video

Uczenie zero-shot

Zdolność modelu do wykonania nowego zadania bez treningu specyficznego dla danych ani strojenia hiperparametrów — predykcja powstaje w pojedynczym przebiegu na podstawie kontekstu.

Kategoria: other

Wnioskowanie w czasie rzeczywistym

Zdolność modelu do generowania odpowiedzi z bardzo niskim opóźnieniem (>1000 tokenów/s) na specjalistycznym sprzęcie inferencyjnym (np. Cerebras WSE), umożliwiająca interaktywną, wymianową współpracę z człowiekiem.

Kategoria: coding

Transfer międzyucieleśnieniowy

Zdolność jednego modelu do sterowania robotami o różnej budowie (humanoidy, ramiona dwuręczne, platformy mobilne) bez trenowania osobnego modelu na każdą platformę. Inteligencja jest oddzielona od ucieleśnienia, dzięki czemu ta sama polityka działa na sprzęcie o odmiennej kinematyce i dynamice.

Kategoria: robotics

Planowanie

Tworzenie i realizacja planów działania dla złożonych zadań.

Kategoria: planning

Robotyka

Dexterous manipulationRobot manipulationRobot controlEmbodied task planningMotion planningObject affordance understanding

Dziedziny zastosowań

Manipulacja robotyczna