10小时前 字节加码具身智能：4B的GR-3不是终点，互联网大厂开始改写机器人牌桌

前言

过去两年，人形机器人最容易出圈的画面，是跑步、跳舞、翻跟头。但真正决定机器人能否进入工厂、仓库和家庭的，并不是动作有多炫，而是它能不能看懂环境、听懂要求，并且连续、稳定地把事情做完。

这也是VLA——视觉语言动作模型——受到关注的原因。它试图把机器人的“眼睛”“语言中枢”和“运动控制”接到同一个模型里。人类说一句“把桌上的餐具收好”，模型既要判断哪些是餐具、该放到哪里，又要输出机械臂和底盘接下来怎么动。

字节跳动发布的GR-3，正是这样一套“机器人大脑”。更值得注意的是，GR-3之后，字节又陆续推出真机强化学习框架GR-RL和面向双手灵巧操作的GR-Dexter。

与此同时，阿里在2026年6月连续发布Qwen-VLA和Qwen-Robot系列。具身智能的竞争，正在从机器人公司的单线作战，转向互联网大厂、硬件厂商和研究机构的全栈较量。

01

GR-3究竟做了什么？

GR-3是一个总参数量约40亿的端到端VLA模型。它以Qwen2.5-VL-3B-Instruct作为视觉语言骨干，再接入负责生成连续动作的Diffusion Transformer，通过Flow Matching预测一段动作序列，而不是每次只决定一个关节下一步怎么动。

简单理解，传统机器人更像“执行固定程序的熟练工”：杯子的位置、桌面的高度甚至光线发生变化，都可能需要重新调试。GR-3想做的是让机器人先理解“要完成什么”，再根据眼前情况决定“具体怎么做”。

它的另一个特点，是把三种性质完全不同的数据放到一起训练。

第一种是遥操作产生的机器人轨迹，告诉模型机械臂和底盘应该如何运动；第二种是图文、视觉问答、目标定位等视觉语言数据，帮助模型认识物体、理解“大一点”“左边”“陆地动物”等抽象概念；第三种是通过VR设备采集的人类手部轨迹，让机器人用较低成本学习新技能。

GR-3技术报告显示，团队使用PICO 4 Ultra Enterprise采集人类轨迹，速度约为每小时450条，而真机遥操作约为每小时250条。这一点很关键：具身智能目前最稀缺的不是普通视频，而是带有动作、状态和结果标注的数据。谁能更便宜地获得这些数据，谁就更有机会形成模型迭代的飞轮。

GR-3配套的机器人本体ByteMini是一台22自由度双臂移动机器人，头部和两个手腕分别安装RGBD相机，可以一边移动底盘，一边用双臂完成餐桌清理、衣物悬挂等任务。

从字节公布的测试结果看，GR-3在基础抓取放置任务中的成功率为96.3%；在训练中没有见过的复杂指令和物体上，成功率分别为77.1%和57.8%。针对陌生物体，每类补充10条人类轨迹后，成功率从57.8%提升至86.7%。在餐桌清理任务中，其平均任务完成度超过95%；衣物悬挂任务的平均完成度为86.7%。

不过，这些数字来自字节团队自己的实验环境和技术报告，目前还不能等同于第三方独立评测。真实工厂和家庭里的光照、遮挡、物品摆放及人员干扰，比实验室复杂得多。

02

4B参数，算不算一条“小模型路线”？

在大语言模型动辄数百亿、上千亿参数的背景下，4B听上去很小。但放在VLA领域，它更准确的定位是“中小体量”，并不是业内最小。

不同模型的训练数据、动作频率、传感器数量和控制方式不同，参数量不能直接代表性能。但模型更小，确实意味着更多工程空间。

以权重本身粗略计算：

这只是权重的理论下限，真正运行时还需要给视觉特征、缓存、动作解码器和控制系统留出显存。即便如此，4B模型在量化之后，部署到机器人本地计算单元的可能性仍然高于数十亿乃至数百亿参数模型。

本地推理的好处很直接：机器人不必把多路摄像头画面持续上传云端，网络抖动不会立刻影响动作；数据留在现场，也更适合工厂、仓库和家庭等隐私敏感场景；模型算力需求下降后，单台机器人的硬件成本和能耗也更容易控制。

但需要强调的是，GR-3论文只说其动作模块采用了有利于快速推理的结构，并没有公布推理延迟、控制频率、功耗和机载芯片。因此，把GR-3直接称为“已经验证的端侧模型”并不严谨。更准确的说法是：4B为边缘部署提供了更好的工程起点，但是否真正达到低延迟、低功耗，还需要实测数据。

03

字节为什么要把资源压向具身智能？

2026年6月，36氪援引多名信源称，字节将原有两支VLA研究组进行整合，并把世界模型列为多个模型方向中资本投入最高的项目，训练数据预算也高于其他模态。其战略逻辑并不难理解。

移动互联网和生成式AI解决的是数字世界里的信息生产与分发，而具身智能试图把AI能力延伸到物理世界。一旦机器人能够稳定完成搬运、分拣、清洁、检测和装配，市场空间与数据来源都会发生变化。

字节至少拥有三块能够形成协同的资源。

第一块是多模态和视频模型能力。但短视频数量多，并不意味着可以直接训练机器人。普通视频没有准确的关节状态、接触力、失败原因和动作标签，它更适合帮助模型理解物体、场景和人类行为，而不是直接替代真机数据。

第二块是VR和空间计算能力。GR-3已经使用PICO设备采集人类轨迹，这不是停留在概念层面的协同，而是已经出现在训练流程里。

第三块是仿真与三维内容生成。字节的Seed3D可以从图片生成可导入Isaac Sim的三维资产，用于机器人抓取和多物体交互仿真。对具身智能而言，这意味着内容生成技术不只服务视频和游戏，也可以用来批量构建训练环境。

业务场景方面，多家媒体转引《晚点LatePost》报道称，字节已累计生产超过1000台轮式物流机器人，服务于抖音电商仓等内部场景，也获得了部分外部客户；不过字节并未公开确认相关数字。

这说明字节的路线可能不是“只做模型”或者“只造机器人”二选一，而是同时推进基础模型、实验本体、内部场景验证和外部投资。2026年初，字节还参与了自变量机器人10亿元融资。

04

大厂入场后，创业公司的机会还是挤压？

答案是两者同时存在。

竞争门槛肯定会提高。以前，一家公司展示机器人叠衣服、倒水，就可能获得很高关注；接下来，投资人会追问更多问题：任务成功率能否持续数小时？换一个工厂是否要重新采集几个月数据？失败后能不能自动恢复？一台机器每年能创造多少收入？部署和维护成本是多少？

估值逻辑也会从“机器人看上去像不像人”，转向四个更现实的指标：高质量数据是否可持续回流、模型是否能跨场景迁移、系统是否稳定安全、商业场景是否产生正向现金流。

互联网大厂会抬高顶尖人才、算力和数据采购的价格。只做通用VLA外壳、缺少本体和场景数据的创业公司，生存空间会被压缩。

但大厂不可能包办全部机器人形态和垂直行业。真正懂汽车工厂、化工巡检、医药实验室、餐饮后厨或养老机构的团队，仍然有价值。开放模型也会降低基础研发成本，让中小企业把资源集中到末端执行器、安全系统、场景改造和交付服务上。

未来更可能出现的格局，不是大厂消灭创业公司，而是少数平台型模型公司、若干整机龙头和大量垂直应用商共同存在。没有场景的模型公司容易陷入演示循环，没有模型能力的硬件公司则可能退化为低毛利制造商。

05

4B VLA最先在哪里落地？

家庭机器人最吸引眼球，却未必最先形成规模收入。家庭环境物品多、人员随机移动，安全责任又难以界定。机器人偶尔把杯子放错位置还可以接受，一旦碰到儿童、宠物或明火，容错空间就会迅速缩小。

更现实的第一批场景，会是任务清晰、环境相对可控、结果容易量化的区域：仓储搬运和拣选、工业上下料与物料配送、商超后场整理、餐饮回收、实验室样品转运，以及部分清洁和巡检工作。

2026年度人形机器人与具身智能实景实训专项行动，也明确把目标需求清晰、工作条件明确、标准化程度较高且具备经济可行性的场景作为优先载体。

至于字节是否会开源GR-3：截至2026年7月30日，Seed官方GR-3项目主页仅上线学术论文与真机演示视频，全程未开放模型权重、完整训练代码。

横向对比行业主流具身VLA方案，OpenVLA、智元GO-1基座模型、智源RoboBrain 2.5、阿里Qwen-VLA具身分支均已在GitHub、HuggingFace搭建完整开源仓库，配套可跨机器人本体迁移的训练、推理工具链，形成成熟开发者生态。

基于当前字节技术布局，我们判断其短期不会完整释放 GR-3核心权重，更可能分步开放学术论文、火山引擎机器人推理API、仿真协同开发工具，少量开放标准化通用辅助数据集，而非自有真机采集的私有轨迹数据。

而未来行业真正值得关注的核心变量，并非下一代模型参数规模从4B调整至8B或32B，而是厂商能否以最低工程成本跑通「真机数据采集—大模型迭代训练—硬件真机落地—任务失败数据回流—二次微调优化」的自强化闭环。

具身智能赛道的胜负，从来不会由单次惊艳的实验室演示决定。伴随互联网大厂深度入局，行业竞争早已跳出机器人企业内部单一算法竞赛，筹码延伸至自有算力集群、专属硬件本体、真实落地场景、工程落地能力与资本储备的全维度产业战争。

GR-3的发布，并不代表字节已经拿下具身智能赛道的领先优势，而是标志着这场竞争正式从单点技术比拼，演化成全产业链要素对抗。