GAM：以 3D grounding 为底座的机器人基础模型新范式

Allen AI、华盛顿大学与新加坡国立大学的研究团队（Jiafei Duan、Ranjay Krishna 等）提出 Grounded Action Model（GAM），质疑「语言/视频模型是机器人基础模型正确底座」这一主流假设，主张机器人基础模型应构建在预训练 3D grounding 模型之上，即「先定位，再行动」。GAM 在 LIBERO-PRO 基准上达到 61%，据作者转述该范式下小模型表现优于更大的 VLA 模型。

已确认

• GAM 是一种以 3D 目标定位（grounding）为核心的机器人基础模型新范式，直接在 3D 理解/检测模型上训练机器人策略，而非在 VLM 或视频模型上训练
• 研究动机来自发展心理学：据帖子转述，婴儿并非先掌握语言再理解世界（Hespos & Spelke 等关于「语言的概念前驱」的研究），暗示 grounding 可能是比语言更基础的认知能力
• 现有两条路线各有短板：VLA 类语言推理模型与世界-动作模型（WAM）的预训练底座均不直接要求度量级的目标定位，只能从机器人示教中隐式学习定位能力
• 据作者 @DJiafei 转述，该范式下小模型的表现优于更大的 VLA 模型；NUS 官方帖称机器人操作成功率显著领先
• GAM 在 LIBERO-PRO 基准上达到 61%，并支持语言等接口能力

为什么重要

• 该工作直接挑战了当前以大语言/视频模型为底座的 VLA 主流路线，为机器人基础模型的底座选择提供了新候选
• 若「先 grounding 再行动」的范式成立，机器人策略学习可能不再依赖超大规模语言/视频预训练，以更小的模型获得更强的空间操作能力

2026-09-22 ~ 2026-09-23 · 6 条相关

• 【源头】NUS 提出 GAM：用 3D 指引作底座，机器人操作成功率显著领先 — NationalUniversityofSingapore · 2026-09-22
• 【源头】GAM:以 3D grounding 为底座的机器人基础模型范式,LIBERO-PRO 达 61% — DJiafei · 2026-09-22
• Grounded Action Model:先3D定位再学动作的机器人基础模型新范式 — DJiafei · 2026-09-22
• Grounded Action Model 提出:用 3D grounding 替代语言与视频模型做机器人基座 — DJiafei · 2026-09-23
• GAM 范式:从 3D 检测模型而非 VLM 训练机器人策略,小模型胜大 VLA — DJiafei · 2026-09-23

另有 1 条近重复转述:DJiafei