Seed GR-3 是字节跳动 Seed 团队提出的全新 Vision-Language-Action Model（VLA）模型，它具备泛化到新物体和新环境的能力，能理解包含抽象概念的语言指令，还能够精细地操作柔性物体。

ArXiv： http://arxiv.org/abs/2507.15493

项目主页： https://seed.bytedance.com/GR3

与此前需要大量机器人轨迹训练的 VLA 模型不同，GR-3 通过少量的人类数据即可实现高效微调， 从而快速且低成本地迁移至新任务，以及认识新物体。

此外，得益于改进的模型结构，GR-3 能有效处理长程任务并能进行高灵巧度的操作， 包括双手协同操作、柔性物体操作，以及融合底盘移动的全身操作等。

具体而言，这些能力是通过一种多样的模型训练方法实现的：除遥操作机器人收集的高质量真机数据外，负责实验室采集的同学基于 VR 设备构建了人类轨迹数据，以及公开、可用的大规模视觉语言数据进行联合训练——多样性数据的融合是 GR-3 区别于现有 VLA 模型的亮点之一。

同时，字节跳动 Seed 团队还开发了一款具备高灵活性、高可靠性的通用双臂移动机器人 ByteMini： 22 个全身自由度以及独特的手腕球角设计，使它能够像人类一样灵活，在狭小空间中完成各种精细操作。ByteMini 作为机器人本体，携带 GR-3 模型这颗“机器人大脑”，可高效在真实环境中处理复杂任务。

GR-3 在各类任务中展现的特点包括：

“心灵”： GR-3 在超长序列(子任务数≥ 10)的餐桌整理任务中，可高鲁棒性、高成功率地完成任务，并在过程中严格跟随人类发出的分步指令；

“手巧”： GR-3 在复杂灵巧的挂衣服任务中，能够控制双臂协同操作可形变的柔性物体，甚至可以鲁棒地识别并整理不同摆放方式的衣物；

泛化好： GR-3 在各类物体的抓取放置任务中，可以泛化到抓取未见过的物体，同时可理解包含复杂抽象概念的指令。

经过团队上千次系统性实验测试，GR-3 表现超过业界此前可测试具体性能的 VLA 头部模型 π0。未来，团队希望 GR-3 可以成为迈向通用机器人“大脑”的重要一步。

以 GR-3 为大脑的 ByteMini 机器人高效完成各类通用家庭任务。

为什么机器人只能清扫地面 无法收拾衣服、整理餐桌？

在技术层面，让机器人像人类一样灵活地应对纷繁复杂的日常家务，做到“听得懂、学得快、做得好”，其实比想象中难得多，这也是机器人拥有“通用大脑”的关键瓶颈之一。具体难点包括：

听不懂： 人类说话太“模糊”。我们会说“把左边的书放到最高层”，“最大的物体放进箱子里”，这些表达里藏着“左边”“最大”等抽象概念，机器人得先理解这些复杂指令，才能动手做事。在过去，机器人往往“一根筋”，换个说法就听不懂了。

不灵活： 现实世界太“善变”了。今天杯子放在餐桌中央，明天可能被随手搁到餐桌边缘；今天去了趟商场，明天餐桌上可能会多出新的杯子、衣柜多出新的衣服——这些都是机器人从未见过的。通用场景的多样性与易变性，要求机器人必须具备超强的泛化与学习能力，才能轻松应对每天都在变化的场景和新物品。

做不好： 家务大多是麻烦的“长程任务”。比如收拾餐桌，包含：打包剩菜、收纳餐具、清理垃圾，中间哪一步出错都导致完不成任务。传统机器人经常做到一半就“乱了套”，甚至会面对“不可能完成的指令”（如把不存在的勺子放进碗里）傻乎乎地瞎忙活。

上述问题中包含许多复杂、抽象、难以建模的现实场景，传统 Rule-Based 的方法难以用穷举法覆盖。

为此，字节跳动 Seed 团队探索融合大模型与机器人技术，研发了 GR-3 机器人操作大模型，希望让机器人“听得懂、学得快、做得好”，离理想中的“机器人全能助手”更近一步。

GR-3 三项关键设计：融合大脑+丰富数据+灵活身体

在技术上，GR-3 采用多项突破性设计，具体如下：

融合视觉-语言-动作信息的“大脑”

GR-3 采用 Mixture-of-Transformers (MoT)的网络结构，把“视觉-语言模块”和“动作生成模块”结合成了一个 40 亿参数的端到端模型。

其中，动作生成模块是一个 Diffusion Transformer (DiT)，它利用 Flow-Matching 的方式生成动作，同时，GR-3 会在 DiT block 的 Attention 和 FFN 中加入归一化的 RMSNorm，这个设计让 GR-3 进一步增强了动态指令跟随的能力。

就像人类先通过眼睛和耳朵接收信息，再用大脑指挥手脚一样，GR-3 能直接根据摄像头“看到”的画面与收到的语言指令，计算出下一步该怎么动——比如看到“餐桌”、听到“收拾”后，直接做出“打包剩菜 →收拾餐具 → 倒垃圾”的连续动作。

三合一数据训练法

GR-3 突破了传统机器人只学“机器人数据”的局限，在训练中能够同时从三种数据源中学习知识：

遥操作获取的机器人数据： GR-3 的训练利用了遥操作收集机器人完成“捡杯子”、“挂衣服”的动作轨迹，这类数据保证了机器人基础的操作能力；

人类 VR 轨迹数据： GR-3 还能使用 VR 设备采集人类的轨迹数据进行学习，这个方法突破了 VLA 模型数据瓶颈，让机器人以极低的成本快速学习新任务。团队发现，利用 VR 设备采集人类的轨迹数据，效率上会比遥操作收集机器人数据快近一倍（450 条/小时 vs 250 条/小时）；

公开可用的图文数据： GR-3 能从公开可用的图片和文字中认识物体（比如认识“葡萄”、“筷子”）、学习抽象概念（比如理解“大”、“小”、“左边”、“右边”的意思），这类数据极大地提升了 GR-3 的泛化能力；

量身定制的“身体”

配套设计的 ByteMini 机器人，是专为 GR-3 这颗“大脑”打造的“灵活躯体”：

整体运动层面，ByteMini 机器人搭载了全身运动控制(WBC)系统，动作“又快又稳又软”，在遥操作数据采集时，系统能够产生平滑的轨迹数据，同时不会像传统机器人那样“硬邦邦”地撞东西，比如抓纸杯时会自动调整力度，避免捏碎；

精细执行层面，ByteMini 机器人全身具备 22 个自由度，搭载了无偏置 7 个自由度机械臂，同时机械臂的手腕采用了独特的球形设计，能够像人类手腕一样灵活转动，适合在收纳盒、抽屉等狭小空间里进行灵活操作；

感知层面，ByteMini 机器人搭载了多颗摄像头，其中 2 个手腕的摄像头看细节（比如捏杯子的角度），头部摄像头看全局（比如桌子上有哪些东西），保证“眼观六路”。

GR-3 机器人操作 VLA 大模型

以上关键技术设计，让 GR-3 既能懂抽象概念，又能快速学习新技能，还能精准动手，突破了传统机器人“认死理、学太慢、做不细”的瓶颈。

通用任务展现较高泛化性支持长程与精细操作任务

Seed 团队在三个高难度的操作任务中测试了 GR-3 模型。

通用拾取放置任务：泛化性突出

在此类任务中，团队使用了 99 个现实物品，对 GR-3 及两个对比模型进行测试，针对不同的物品和模型，交叉进行了 861 次模型测试，在不同场景中有如下发现：

基础场景测试： 团队在训练中见过的环境里，测试 GR-3 操作训练中见过的物品的能力，结果发现，GR-3 的指令遵循率和成功率分别为 98.1% 和 96.3%，能精准执行 “把 A 放进 B”这类基础指令；

通用拾取放置测试中用到的物体：左为训练中见过的物体，右为训练中未见过的物体。

新环境考验： 团队提高难度，将测试环境换到训练中从未见过的卧室书桌、超市柜台、会议室与茶水间 4 种场景，发现GR-3 在这些新环境中性能几乎无衰减，说明它对环境变化不 “敏感”，具备新环境的适应和泛化能力；

通用拾取放置任务的测试环境：Basic 为训练中见过的场景，其他四个为训练中未见过的场景。

复杂指令理解： 团队测试了 GR-3 对带有抽象概念的复杂指令的理解能力，结果显示，GR-3 能精准处理 “把雪碧旁边的可乐放进盘子里”、“把面包放进更大的盘子里”、“把陆地上的动物放进盘子里” 这类涉及空间关系、物体尺寸等抽象概念的指令（参考如下视频），而测试中基准模型在此类任务可能会混淆物体；

把雪碧旁边的可乐放进盘子里

把面包放进更大的盘子里

把陆地上的动物放进盘子里

新物品挑战： 团队测试了 GR-3 面对训练中未见过物品的操作能力，使用 GR-3 让机器人抓取新物品的实验结果显示，依靠从公开图文数据中积累的 “见识”，GR-3 的成功率较基准模型 π0 高出 17.8%。

通过上面四个维度的测试，并对比未采用公开图文数据训练的 GR-3 模型（图中被标注为：GR-3 w/o Co-Training），结果表明：

在基础场景和新环境中，加入公开可用的图文数据进行训练不会带来能力损失；在未见过的复杂指令和新物品任务中，这部分数据分别能带来 42.8% 和 33.4% 的成功率提升。

通用拾取放置任务测试结果，GR-3 在四个测试设置中都超越了基准模型。

为持续提升 GR-3 应对未见过物体的能力，团队利用 VR 设备采集了人类操作物体的数据，结果发现：

只需要通过 VR 设备对相应物品采集 10 条轨迹数据，就可以让 GR-3 操作这些物体的成功率从不到 60% 提升到超过 80%。

加入人类轨迹数据持续训练能让 GR-3 快速学习新的任务。对于机器人数据中未见过的物体来说，轨迹量加得越多，性能提升越高。对于机器人数据中见过的物体，增加人类轨迹数据对性能影响不大。

长程餐桌清理任务：多步骤“稳得住”

在餐桌清理这个长程任务中，团队发现，GR-3 仅靠 “收拾餐桌” 这样一个总指令，就能自主完成 “打包剩菜→收餐具→倒垃圾→端起收纳盒” 的全流程，平均完成度超过 95%。

GR-3 能完成不同餐具随意摆放的餐桌清理任务（机器人第一视角）

长程餐桌清理测试中用到的物体

团队还同时测试了 GR-3 跟随分步指令的能力，结果发现：

GR-3 在跟随语言指令上，领先基准模型，面对多件同类物品（如多个杯子），GR-3 能按指令将他们“全放进垃圾桶”，若指令无效（如餐桌上没有蓝色的碗，指令为“把蓝色碗放进篮子”），GR-3 能准确判断并保持不动，而基准模型则会随机拿取物品。

GR-3 能严格跟随人类发出的分步指令

长程餐桌清理任务&跟随语言指令的模型性能对比

柔性衣物精细操作任务：展现灵活度

在机器人操作中，柔性物体操作一直是一大难题，团队在颇有挑战的挂衣服任务上测试了 GR-3。在这个任务中，机器人需要把衣架穿进衣服中，并将其挂在晾衣杆上。

测试发现，GR-3 在该类任务中平均完成度达到 86.7%。即使在衣服摆放状态比较混乱的情况，GR-3 也能稳定鲁棒地应对。

对随意摆放的不同衣物，GR-3 都能完成挂衣服任务

此外，GR-3 还能泛化到机器人数据中未包含的衣服。例如，当机器人数据中的衣服均为长袖款式时，GR-3 对短袖衣物同样能有效处理。

柔性衣物精细操作中机器人训练数据中见过（均为长袖款式）和未见过的衣服（有短袖款式），以及衣物不同的摆放状态。

柔性衣物精细操作任务的模型性能对比

总结与展望

字节跳动 Seed 团队会持续在机器人领域研究探索，让机器人操作大模型在复杂真实场景中更加可靠、灵活与智能，后续研究计划包括：

扩大模型规模和训练数据量，进一步提升泛化性。 尽管目前 GR-3 泛化能力良好，但面对完全陌生的复杂概念或特殊形状的物体时，还是会出现指令理解偏差或抓取失误。团队计划增加更多样的训练数据——包括更多物体的视觉语言数据、包含更复杂任务的机器人数据，以及扩大模型参数规模，提升 GR-3 对“未知”的泛化能力。

引入 RL 方法，突破现有模仿学习的局限。 GR-3 和多数机器人模型一样，本质是“模仿”人类专家的动作，当遇到训练中没见过的突发情况（比如抓取时物体意外滑落、环境突然变化）时，容易“卡壳”。为此，团队计划引入强化学习训练，让机器人在实际操作中不断“试错”，从成功和失败中自主学习调整动作与策略（比如物体滑落时如何快速重新抓取等），进而逐步增强其在复杂、精细任务中的抗干扰能力和鲁棒性，让 GR-3 不仅能“模仿”，还能像人类一样“灵活应变”。

团队期望，有朝一日机器人操作大模型能真正进入人们的日常生活，成为帮助人类处理各种事务的通用机器人“大脑”。