GR-RL 是一个面向长周期灵巧操作的强化学习框架，让机器人在真实场景中稳定完成多步骤、高精度的操作任务，在业界首次实现“让机器人给整只鞋连续穿鞋带”任务。它还具备自动重试、主动调整场景、识别错位并纠偏的能力；也可应对不同颜色、尺寸和材质的鞋子。

GR-3 是一个大规模的视觉 - 语言 - 动作（VLA）模型。它对新物体、新环境以及含抽象概念的新指令展现出较好的泛化能力。GR-3 支持少量人类轨迹数据的高效微调，可快速且经济地适应新任务。同时，在处理长周期和灵巧性任务上，也展现出稳健、可靠的性能。

ByteDexter 作为自研高主动自由度灵巧手 (21DoF)，搭载了高灵敏度触觉传感器，搭配灵巧手遥操作系统，能够实现复杂人类手部动作的实时高保真复现，以及手&臂协同的无缝衔接。