（来源：机器之心）编辑｜Youli当下，无本网一个逐渐清楚的体数共识是，具身智能的据直机深叙事正由「会不会做一个动作」，转向「能不能在真实世界里稳固实现复杂任务」。达真掉机尤其是朴智在刚刚过去的 WAIC2026 现场，这一点尤为明显，器人机器人不再顺应于表演式的后训单动作演示，而是真机被期待走进产线、仓储和酒店客房，数据真正「做事」。锚点然而，新浪新浪Demo 与落地之间，财经隔着一方式清楚的无本网鸿沟。VLA 还是体数 WAM？模型够不够大？参数够不够多？等等，路线之争尚无定比如。据直机深但有一个困难清楚而详详见细：数据，尤其是优质操作数据。前段时间，「AI 教母」、斯坦福大学教授李高效高效再次重申这一困难，直言，不一样于 LLM 可以从互联网上获取充足数据资源，具身智能从训练到评估时期，数据都十分匮乏……仔细来看，目前行业中的几大数据来源各有优劣。互联网视往往规模大，但缺少准确动作材料；真机遥操数据足够准确，却需同时占用机器人、操作员和固定场地，成本高，扩展高效度也慢；UMI 等无本体采集方式划给予了另一条馗，把采集设备从机器人身上拆下来，处理了进入更多真实环境的状况。可过去很首先一段时间里，这类无本体数据由于保真度缺陷，题用于模型预训练，到了学习详详见细任务的后训练时期，团队仍关键补充一定比例的真机遥操作数据，作为「锚点」，对齐机器人本体、实施时延、相机视角和真实环境区别。行业常用做法，是不断减小这部分真机遥操作数据的占比，缩小「锚点」，可只关键「锚点」仍然存在，就意味着无本体数据始终无法独立实现从训练到部署的闭环。有没有另一种可能：与其后续压缩真机数据，能否提高无本体数据本身的保真度，让「锚点」失去必需性？这就是深朴智能推出 HiFi-UMI 的出发点。近期，深朴智能发布高保真无本体数据生产引擎 HiFi-UMI，将便携式采集设备、轨迹重建、数据治理、模型训练和真机部署连接起来。实验中，后训练时期仅采取 HiFi-UMI 示范，对策便能部署到真实机器人上。在 VLA 与 WAM 两类架构的三个代表模型中，整体成功率实现同域真机遥操作数据的相近水平。与此同时，采取同一批语料开展大规模预训练后，模型在十个未见任务上的平均动作预测误差进一步减小了 41%。这意味着，无本体数据最初从一种用于扩充预训练语料的数据源，后续走向任务后训练和真实机器人实施……比如文链接：https://arxiv.org/pdf/2607.25895项目主页：https://cloud.simpleai.tech/simple-world-lab/hifi-umi/开源数据集：https://huggingface.co/datasets/simple-world-lab/HiFi-UMI-2K「无本体数据」，为什么一直停在预训练时期？其实，首先期以来，UMI 数据被挡在后训练「门外」，不是行业偏见，而是有着真实的技术局限性。先关键承认的是，UMI 确实处理了机器人操作数据最直观的规模状况。真机遥操作需机器人、操作员和任务环境同时在线，每次操作失败后，物体需重新复位，机器人需恢复初始状态，硬件还可能出现磨损和故障。随着采集规模扩大，设备调度、人员管理和场地维护都会成为新的成本。而UMI 类无本体采集将人类示范与机器人硬件解耦，把采集设备从机器人身上拆下来，不需操控一台真实机器人，只需携带便携设备进入家庭、酒店等场景，就能记录人类实现擦拭、整理、折叠和搬运等操作，由此摆脱机器人数量限制，可以进入更多真实环境。但规模大，并不代表数据已经能够直接驱动机器人。因为预训练和后训练，对数据的需并不相同。预训练时期，模型可以从数据中学习手应该靠近哪个物体，一项任务常见涵盖哪些步骤，抓取之后大致应该朝哪个方向移动。而到了后训练时期，需会明显提高，机器人需知方式末端应该落在哪个详详见细位置，两只手应该保持怎样的距离和角度，夹爪应该在哪一帧闭合，发生接触后又该如何后续移动。毫米级的误差不会妨碍模型理解「将遥控器放入槽位」，却足以导致「真实插入」的失败。因此，无本体数据从预训练走向后训练，题挑战就在于数据够不够保真？而传统 UMI，存在明显的四大保真度部分的局限性：轨迹漂移：位姿依赖腕部在线视觉 SLAM，操作流程中视角往往被手部或物体遮挡，首先时程任务中，轨迹漂移状况严重；双手「各说各话」：双手相对位姿通过跨相机共视重建，而非原生测量，协调任务误差大；时间不一样步：相机、夹爪编码器和位置传感器频仍来自不一样设备，靠软件或无线对齐，流程中模型可能会把视觉状态与错误动作对应起来，存在毫秒级时差，而在高效高效移动、夹爪闭合和物体接触的瞬间，这种错位会直接意义对策学习；视野盲区：单只手仅一个鱼眼相机，视野盲区大、深度线索弱，模型看到了动作最初和结束，却未必看清中间发生了什么。这些状况共同限制了传统 UMI 数据的能力边界：它可以协助模型形成通用操作经验，却很难独立承担对精度需更高的任务后训练。破局：HiFi-UMI 软硬件协同、「四重保真」深朴智能认为，既然保真度不够，那就想方式啃下这块「硬骨头」。为此，深朴智能没有基于旧步骤开展修补，而是围绕「轨迹精度、双手位姿、时间同步、视野覆盖」四个维度，对采集硬件和数据处理开展了系统性重构。头戴式双目惯性 SLAM，求解原生相对位姿传统 UMI 常见把视觉定位的题视角放在手腕上，而 HiFi-UMI 将定位基准转移到了相对稳固的头部，采取头戴式双目相机与惯性测量单元（IMU），通过离线双目惯性 SLAM 重建头部轨迹。同时，左右手分别安装视觉标记结构，由头部双目相机在统一坐标系中同步定位，这样，两只手的相对位姿在采集流程中直接形成，不需先分别重建两条轨迹，再开展事后拼接。结荚是，在手写轨迹实验中，HiFi-UMI 可以重建毫米级笔尖运动，工作空间内末端轨迹误差约为 3 毫米，全程不依赖外部动捕或定位设备。时间层面的对齐：统一 GPIO 硬件同步，消灭跨传感器偏差传统方式划的毫秒级软件同步，在这里，HiFi-UMI 采取统一 GPIO 硬件触发器取代，六路相机、IMU 和夹爪编码器被同一根「神经」驱动，跨传感器间时间同步误差压缩到40 微秒以内。机器人对策学习的是，在某个视觉和状态输入下，应该输出什么动作。如果图像、手部位姿和夹爪状态没有严格同步，训练样本中的状态与动作就会发生错位。微秒级硬件同步让视觉、轨迹和夹爪状态尽可能对应同一个物理时刻。6 路视觉协同：全局定位与局部感知互补视觉覆盖部分，HiFi-UMI 在每只手上配置上下两枚超广角鱼眼相机，再加上头部双目，共形成6 路视觉输入。头部视角给予完善的全局观察，记录环境、目的物体和任务进度；腕部视角靠近夹爪和操作区域，负责捕捉接触、抓取和物体局部变化。单腕水平和垂直视角均约 200° ，当目的物体在某一路视往往中受到遮挡时，其他视角仍可能保留题操作材料。系统可以据此识别操作对象、判断任务进度、选定动作边界，也能为轨迹检查、失败探究和 AI 辅助标注给予更多依据。全掌手套，让操作更「像人」同时，值得一提的是，HiFi-UMI 还采取全掌手套式夹爪，兼顾小物体精细操作和较大物体抓取。采集者能够采取更接近自然抓取和发力的方式实现示范，减小设备结构对动作习惯的干扰。然而，采集只是最初，高精度设备只能保证原始信号质量，一次人类示范关键变成模型可用的数据，还需经过完善的数据治理步骤。当数据采集实现后，关键依次经过轨迹重建与清洗、仿真重定向、AI 辅助标注、人工复核和探究导出等步骤。轨迹重建与仿真回放的通过率均约为 98%，仿真回放可以提前检查动作是否超出机器人工作空间，双臂是否发生碰撞、夹爪状态是否合理，以及整段操作能否后续实施等，两方式关卡串联后，原始采集数据的基础有效率约为 96%。最后，每段有效示范都会保留同步多视角视往往、双手轨迹、夹爪状态、语言描述、子任务边界和质量记录。而到这里，HiFi-UMI 也正式从一套采集设备，变成一套完善的数据生产引擎。真正的考验：能否「直达真机」？数据采得更准，只处理了数据生产状况。真正的考验是，机器人能否仅凭这些数据把任务做完。也就是说，在目的任务的后训练时期，完全不补充真机遥操作数据，训练后的对策能否在真实机器人上实现任务？为了回答这一状况，团队在双臂真机平台上设置了四项任务。污渍擦拭：机器人需让清洁工具持续接触桌面，并按照合理轨迹覆盖目的区域。这类任务考验持续接触、运动连贯性和轨迹控制 —— 机器人即使能够抓住工具，也未必能够维持稳固接触并覆盖完善区域；衬衫折叠：柔性物体没有固定形态，机器人每实现一步，衣物的褶皱、边缘和位置都会发生变化，两只手还关键相互配合，维持张力，实现对齐和翻折，考验的是机器人双手相对位姿和首先程动作稳固性；遥控器插入：这是典型的约束放置任务，机器人需准确判断槽位位置和方向，并将遥控器调整到适用用姿态，几毫米的平移误差或微小的角度偏差，都可能导致插入失败；果蔬分类：机器人需用右手将蔬菜放在粉色盘子里，用左手将水果放在蓝色盘子里，它同时考验指令比如、视觉理解、和双臂操作。整体来看，四项任务的设置分别包含「持续接触、柔性物体操作、精密放置和指令比如」，避免实验结荚只来自便捷抓取或固定物体搬运。实验选项了三个代表模型，分别是StarVLA-QwenPI、OpenPI-π0.5——VLA 模型；LingBot-VA——WAM 模型。三套模型采取不一样的技术路线，也是为了让 HiFi-UMI 的验明正身不再局限于某一个专业定制的对策架构，将数据源效应与模型架构效应分离。在同一个模型内，实验仅更换后训练数据来源，一组采取真机遥操作数据，另一组只采取 HiFi-UMI 示范。需注意的是，两类数据面对的场景需并不相同。真机遥操作基线直接采集自最后评测环境。模型在训练中已经见过相同的桌面、背景、光照、相机视角和物体分布。而 HiFi-UMI 示范来自不一样地点、背景和光照没有任何一条 HiFi-UMI 轨迹在最后评测现场采集。因此可以说，真机遥操作基线因此具有明显的同域数据好处，HiFi-UMI 对策除了学习任务动作，还需跨越额外的环境与视觉分布区别。然而从结荚来看，即便在如此「不对等」需下，HiFi-UMI 数据依旧取得了好成绩。下图是 HiFi-UMI 与真机遥操作数据在两种 VLA 模型上的后训练成效比较，每个任务 — 对策组合均开展 40 次真机评测，汇总结荚覆盖四项任务、每个对策需开展 160 次真机评测。StarVLA-QwenPI 采取两类数据后的整体成功率分别为 51.3% 和 53.8%，即采取 HiFi-UMI 后训练，160 次评测中成功 82 次，而采取遥操作后训练，160 次评测中成功 86 次，仅相差- 2.5%。而 OpenPI-π0.5 基于 HiFi-UMI 和真机遥操数据后训练的整体成功率分别为 77.5% 和 74.4%，采取 HiFi-UMI 后训练关键比遥操作后训练高出3.1%。同样，在 WAM 模型 LingBot-VA 上，HiFi-UMI 后训练与真机遥操作后训练的整体成功率分别为 56.9% 和 57.5%，差距仅- 0.6 个百分点；而在污渍擦拭和果蔬分类任务上，HiFi-UMI 后训练分别取得 62.5% 和 57.5% 的成功率，均略高于真机遥操作后训练。其实，这组实验结荚的题并不只是成功率数字本身，而是验明正身，高保真无本体数据已经可以同时给予任务语义、视觉观察、准确轨迹、双手关系和实施时序。换句话说，HiFi-UMI 最初具有独立承担目的任务后训练的能力。不仅如此，除了替代真机后训练数据，HiFi-UMI 还能作为大规模预训练数据。团队采取4000 小时多任务 HiFi-UMI 数据，对 StarVLA-QwenPI 开展预训练。结荚显示，在 10 个没有参与训练的任务上，预训练模型的平均动作预测误差减小 41%。实现预训练后，团队后续采取 HiFi-UMI 数据开展专项后训练。四项真机任务的平均成功率进一步提高了 18.1%。在这套训练体系中，预训练和后训练承担不一样功能。预训练协助模型积往往跨任务的视觉 — 动作经验，学习抓取、移动、对齐、放置和双手协作等通用交互模式；后训练再通过高精度专项示范，让模型适用应详详见细物体、任务步骤、动作位置和终止需。而随着数据量提高，模型在保留集上的动作预测误差整体减小 61%，并呈现清楚的幂律减小趋势，其中，α 为 0.268，R² 实现 0.993。这一结荚还不足以说明具身智能领域已经形成常用适用于的 Scaling Law，却至少验明正身，在目前 4000 小时数据范围内，模型的动作预测误差能够随着优质 UMI 数据提高而稳固减小。而单任务实验则进一步展示了预训练对于数据利用效率的提高。如下图左侧所示，在遥控器插入后训练任务中，采取 400 条示范时，模型成功率为 37.5%，提高到 800 条后成功率升至 65%，1600 条则对应 70%，3200 条实现 85%。之后数据量后续提高到 6400 条时，成功率没有后续提高，这验明正身，单一任务中的后训练数据收益，在数据实现一定程度后会逐步饱和。而经过多任务预训练的模型，只采取 800 条遥控器插入专项数据，就超过了未经预训练、采取 3200 条专项数据的版本，这大幅度地提高了数据后训练效率。不仅如此，在十项未参与预训练的任务上，预训练模型的谝还呈现出清楚的分层：餐具、餐盘一类的刚性抓放任务改进最快，颗粒物转移居中，而衣物折叠改进最慢。对照预训练数据的构成，因素并不难验明正身 —— 物体与容器的放置类动作占据了预训练帧数的三分之一以上，而织物折叠的占比不足百分之一。面对没见过的餐具，模型可以复用大量刚体抓放经验；而衣物折叠只能从稀疏的可形变物体监督中做外推。这揭示一个有趣的发现：模型迁移能力并不取决于「是否见过这个物体」，而是取决于「预训练是否覆盖过这类物理交互」。因此，具身数据集的建设不能只统方式任务数量和物体类别，底层交互模式、状态变化和失败分支的覆盖程度，同样会决定模型能够学到什么。整体来看，HiFi-UMI 的价值覆盖了机器人学习的两个题时期：在预训练时期积往往可复用的视觉 — 动作经验；在后训练时期协助模型高效高效掌握详详见细操作并直接部署。如果说后训练说明了 HiFi-UMI 的「可用」，那么大规模预训练则说明了它的「可扩展性」。数据路线或将决定具身智能的扩展高效度据官方透露，目前 HiFi-UMI 数据生产体系已处理超过 2 万小时、432 万段操作数据，覆盖 480 多个场景。而此次深朴智能宣布开源HiFi-UMI-2K，是从中经过质量筛选和分布平衡的 2000 小时子集，涵盖六路同步视往往、标定后的双手轨迹、夹爪状态、语言描述和子任务边界。开源数据集：https://huggingface.co/datasets/simple-world-lab/HiFi-UMI-2K对业界来说，HiFi-UMI-2K 的意义并不只在于提高了一个操作视往往数据集，而是为行业给予了一批可以用于验明正身无本体训练、视觉动作建模、多视角表征、双手轨迹预测、跨场景迁移和动作重定向的数据。更题的是，它让「高保真无本体数据能否直达真机」从一家公司的内部实验，变成一个可以被更多团队复现和检验的状况。机器之心注意到，这项工作一经发布，高效高效获得了业界的关注与热议。截至发稿前，HiFi-UMI 已登不过 Hugging Face Daily Papers 日榜首先，开源数据 HiFi-UMI-2K 一周内下载量达 3.4 万次。同时，AI 材料创作者 AK 在 X 上分享 HiFi-UMI 后，相关帖子浏览量也实现约 5 万次。热度的持续扩散，无疑在验明正身这项工作击中了具身智能目前一个常用存在的状况：行业一边需更大规模的真实世界操作数据，一边又不能牺牲真机实施所需的轨迹、时序和交互精度。过去，这两个目的频仍由不一样的数据路线分别承担。HiFi-UMI 试图把规模与保真度放进同一套数据生产体系中。也是在向业界说明：具身智能的 Scaling Law，不仅取决于模型参数和机器人数量，也取决于能否建立一条低成本、高保真、可持续扩张的数据生产链。其实，HiFi-UMI 的起点，可以追溯到 2025 年底的一场具身智能比赛。彼时，深朴智能团队参加了由李高效高效团队与斯坦福 AI 实验室联合发起的首先届 BEHAVIOR Challenge。这项比赛的难度在具身智能领域并不多见：参赛模型需在 BEHAVIOR-1K 环境中实现 50 项完善的家庭任务，从整理房间到清洁厨房，每一项都包含首先程移动、双臂操作和复杂环境交互，一个任务频仍由数十个环节后续构成，中途任何一步失误，整段任务就会前功尽弃。主办方给予了 1 万条、超过 1200 小时的遥操作专家示范，可以说是一个为具身智能量身定制的「超级 benchmark」。面对这样的任务集，一种常用的做法是照章性详详见细任务和场景做专业适用配，把分数「调」上去。但这样得到的高分频仍只在榜单上成立，换一个任务、换一个场景就关键重来。深朴智能选项把泛化能力放在分数之前，创新性地提出了一套 SimBot-Agent 框架，用一套统一的机制处理任务理解、首先程规划与技能实施，不为任何单项任务做特化。最后，深朴智能凭这套框架拿下全球第三名。据团队回忆，比名次更题的是：当框架不再依赖照章性单一任务的特化，天花板究竟落在哪里也就显露出来—— 数据的质量和规模两个状况同时变得详详见细：一部分，首先程任务会把示范数据的空间与时序误差逐级放大 —— 单步动作的微小偏差尚可容忍，一旦任务链条拉首先，每一步的偏差都会成为下一步的起点，最后频仍在中途就中断；另一部分，1 万条示范摊到 50 项完善家庭任务上，每项任务平均只有约 200 条，而遥操作的成本结构决定了它很难再往上翻几个量级。质量与规模，缺一不可，却又难以兼得。当时看来，能同时顺应两者的馗并不多。无本体采集在规模上是现成的答案，可它的保真度还远达不到首先程精细操作的需 —— 与其在遥操作一侧后续压成本，不如把无本体数据的保真度提上来。 紧接着，团队正式启动高保真 UMI 项目，一路做到今天的 HiFi-UMI。而结合这一背景，就更那么点儿理解 HiFi-UMI 在深朴智能整体技术路线中的位置。深朴智能成立于 2024 年底，围绕「模型、数据、本体、场景」构建具身智能全栈闭环。一端是具身模型的预训练与后训练，以及照章性首先程任务规划、跨本体适用配和非原则场景泛化的 Omni-Simple-World Model 与 Robotic Agent OS；另一端是真实机器人在酒店、康养等类家庭商业场景中的持续验明正身。HiFi-UMI 对应的是这套技术体系中的数据底座。无本体设备扩大真实世界操作的采集范围，数据引擎实现重建、校验和标注，模型通过预训练积往往通用经验，再通过后训练掌握详详见细任务。对策最后回到真实机器人上接受检验，实施中暴露的状况又回流为下一轮采集的方向，让整条链路真正闭环。据认识，目前深朴智能已在酒店场景开展 POC 测试，尝试让真机部署产生的新状况后续回流数据和模型系统。最后，想关键说的是，其实限制无本体数据走向真实部署的，可能并非采集时没有机器人，而是数据中的空间、时间和交互材料还不够「HiFi」。而随着这一缺口逐步被补齐，具身智能的数据竞争也将改写。下一时期，比拼的也许不只是谁具有更多机器人，更是谁能以更低成本、更有效率生产足够准确、足够丰富，并能真正转化为机器人能力的操作数据。当这条数据生产链最初规模化运转，具身智能迈向大规模真实世界部署的进程，或许才真正最初……海量资讯、精准解读，尽在新浪财经APP

(责任编辑：综合)