银河通用发布了全球首个小脑 GPT 基模 AstraBrain-WBC 0.5，成功验证了运动控制 Scaling Law。该模型使用了史上最大的 20 亿帧动捕数据进行训练，零样本泛化全新动作的成功率从 MLP 架构的 76.89% 提升至 92.58%，推理延迟仅 0.39 毫秒，效果超越英伟达 SONIC 和业内主流 TWIST 系统。
AstraBrain-WBC 0.5 实现了领域外分布数据的泛化能力，填补了人形机器人通用小脑研究的空白。这项研究全面开源，代码和论文均可在线获取。
研究团队通过大量数据和 GPT 风格的 Transformer 架构验证了 Scaling Law 在人形机器人上的有效性。实验结果表明，架构换代和数据规模扩大共同提升了追踪成功率。在相同数据量下，AstraBrain-WBC 0.5 的关键点位置误差显著低于其他模型。此外，数据规模每增加 10 倍，误差持续下降，没有出现拐点。
AstraBrain-WBC 0.5 在宇树 G1 机器人上进行了真实测试，展示了高自由度的全身协同控制、高动态运动能力和毫秒级实时响应。与当前最强的开源追踪器相比，AstraBrain-WBC 0.5 在四段未见过的舞蹈动作中表现优异，关节位置误差更低。
工程部署方面，AstraBrain-WBC 0.5 经过优化后，平均推理延迟降至 0.39 毫秒，控制回路维持在 50Hz 实时频率，比 TWIST 系统快约 5 倍。未来，机器人训练可以直接基于 AstraBrain-WBC 0.5 进行二次开发与能力扩展，大幅降低训练门槛。