衡宇 发自 凹非寺量子位 | 公众号 QbitAI

代码Agent这两年为何前进飞快，，，成为AI界的宗门巨匠兄？
？？？？？

由于这玩意儿自己个儿就超！闭！环！的！

代码Agent可以自动执行、自动验证、自动反馈。。。写了代码跑一下就知道对差池，，，奖励信号很是清晰明确。。。

这给后训练（Post-training）阶段的自反馈闭环提供了完善条件。。。

同样是AI界大热门，，，具身智能现在就缺少这种“神助”。。。

它面临的物理天下比代码Agent面临的天下重大多了，，，并且很难获得马上验证。。。

它吸收的信号不像代码那样有一个编译器就能判断，，，它们模糊、腾贵，，，并且每一次真机试错都意味着真金白银的人力和硬件消耗。。。

VLA（视觉-语言-行动模子）是具身智能中最早受到关注的手艺蹊径。。。

但很快，，，各人发明这个手艺保存物理明确缺失、泛化能力极弱、长时序与妄想能力缺乏等等问题，，，做不到“一家独大”包打天下。。。

各人有点着急。。。厥后，，，天下模子又成了行业里的新骄子。。。

但天下模子似乎也不是灵丹妙药（至少现在来看是这样的）……

这也不可那也不可，，，具身智能，，，你究竟要怎样啊。。
？？？？？？
？？？？？

这个时间，，，原力灵机相关认真人站出来亮相：

我以为特殊愚蠢的一件事情是在「手艺蹊径」上给自己贴标签。。。这件事情是特殊蠢的。。。应该以目的导向。。。你要解决什么问题，，，挑选对应的要领去解决它，，，而不是说我是什么要领的、什么门户的，，，为此来证实只有我才是标新立异的。。。

他先容，，，约莫今年过年前，，，原力灵机意识到可将天下模子作为后训练的一部分。。。

一晃眼半年已往了。。。这个月，，，原力灵机宣布了旗下首款具身天下模子DW0.5，，，并将它接入天下模子驱动的具身智能后训练框架DFOL2.0。。。

“这套基模支持多模态输入，，，包括使命指令、图片和视频，，，还能选定机械人类型。。。我们可以依附历史行动，，，展望后续视频状态。。。”原力灵机联合首创人汪天才说。。。

他先容道，，，DW0.5用上万小时真机、多视角数据完成联合预训练，，，仿真能力很强，，，能天生种种画面。。。

不但能做出机械臂正常作业的视频，，，就算参考过失行动，，，也能还原使命失败的场景，，，以此支持DFOL2.0框架的在线强化学习训练。。。

DW0.5作为一个高保真仿真器，，，把强化学习搬进虚拟天下。。。

VLA先给出候选行动，，，DW0.5在虚拟情形中预演未来，，，判断乐成、失败与偏离风险，，，再把可用反馈送回强化学习。。。

按其披露的数据，，，这套流程可让后训练中真机数据需求骤降60%，，，整体训练本钱下降40%。。。

具身智能行业急需低本钱反馈闭环

想相识DW0.5，，，咱们先来看清它解决了什么样的行业问题。。。

具身智能属于物理AI，，，它的目的是让机械人在差别情形、差别物体和差别失败条件下一连变强。。。

惋惜后训练飞轮一直跑不起来。。。

真机一次rollout需要占用机械人、园地和人工，，，一次行动失败可能直接让使命中止；；
；
；；；人工反馈虽然更靠近真实判断，，，但难以高频笼罩每其中心状态；；
；
；；；仿真情形本钱确实低许多，，，但现实中的接触、遮挡、反光、形变和不确定性又很难被完整复刻。。。

基于这个现实，，，原力灵机从手艺侧提出了判断：VLA需要一个介于真机、人工反馈和古板仿真之间的训练情形。。。最好它足够自制、能支持高频探索，，，还更靠近真实操作历程。。。

然后新的步伐就被脑暴出来了。。。

用真实Rollout数据校准天下模子，，，天下模子支持低本钱大规模的情形与数据生产，，，新的policy再回到真真相形验证和网络数据。。。

DW0.5就肩负了原力灵机VLA模子（DM0.5）后训练中的Learned Environment的角色。。。

DW0.5三大专家模
？？？？？橹毓狗抡媛呒，，，全方位提升泛化能力

DW0.5能展望行动执行后的未来状态，，，甚至天生失败轨迹，，，并对使命进度打分。。。

详细而言，，，DW0.5以Video Expert、Action Expert、Value Expert三大专家模
？？？？？樽槌赡芰α绰贰。。Video Expert与Action Expert配合服务行动效果预演，，，Value Expert认真价值评估与反馈结构。。。

这三个设计的思绪各有考究。。。

设计一：Action是强先验，，，而不是软提醒

在部分天下模子里，，，行动信息只是一个附带的条件输入。。。但DW0.5把行动当成结构性的强先验。。。

它必需知道“机械臂在往这个偏向移动”，，，才华展望出物理上合理的后续画面。。。

DW0.5把action看成视频天生的一等条件，，，通过结构化的帧级对齐强制绑定。。。

在MoT（Mixture of Tokens）注重力中，，，行动序列与视频序列拼接，，，并用group-diagonal attention mask切断视频帧与非对应行动之间的信息通路。。。

从结构上，，，执行向左推和向右推的行动，，，从一最先就走向完全差别的盘算路径。。。

讲原理，，，我们视察到近期学术界对这个手艺趋势有规模不小的探讨，，，即主流VLA不做视频展望，，，只做observation到action的映射。。。

DW0.5这类用视频展望作为辅助监视的模子，，，理论上能学到更强的因果动态明确。。。

设计二：能模拟失败，，，才配得上叫“仿真器”

只有乐成轨迹数据训练的模子容易形成过强的乐成偏置，，，这样的系统无法识别过失行动，，，更谈不上为强化学习提供处分信号。。。

同时，，，失败轨迹数据的价值对后训练来说挺珍贵的。。。

因此DW0.5被明确要求能够天生“做砸了”的视觉轨迹，，，让Value Expert可以比照乐成与失败的差别，，，给出有区分度的打分。。。

其数据战略围绕模拟失败设计，，，让模子既学习“应该怎么做”，，，也学习“做错了，，，天下会酿成什么样”。。。

团队体现，，，DW0.5有四类数据源：

具身果真数据与自采机械人数据（包括遮挡、接触、延迟等真机噪声）互联网视频数据（增补开放天下动态）Egocentric第一视角人类活动数据（迁徙真实物理交互效果）真机与仿真rollout数据（笼罩偏离、卡住、恢复等中心状态）设计三：Value Expert把未来酿成可训练的反馈

这是DW0.5从“视频天下模子”走向“训练情形”的要害一步。。。

Video Expert模拟行动效果，，，Value Expert把效果转成可优化信号，，，两者连系，，，才组成完整的RL训练闭环。。。

DW0.5引入Value Expert是为了把天生的未来转化为更麋集的价值信号。。。

详细讲，，，Value Expert它对目今状态、候选轨；；
；
；；；蛘蝦ollout给出乐成概率或使命价值评估，，，将希罕的使命效果信号转化为可以在每一步使用的中心反馈。。。

在闭环系统中，，，Value Expert可以用于：

候选行动筛选。。憾远喔鰎ollout打分，，，让VLA选择更可能乐成的未来。。。RL后训练的reward信号：在天下模子情形中对VLA做战略优化，，，无需频仍占用真机。。。安排时的在线监测：发明目今状态偏离乐成路径，，，实时触发重新妄想或失败恢复。。。

数据显示，，，DW0.5的Value-Order Correlation抵达95%以上。。。

三个设计服务统一个闭环，，，让DW0.5在VLA的训练和安排中饰演离线数据增强与偏好结构、RL后训练情形、安排时妄想与清静评估三种角色。。。

依托DW0.5训练-调优-安排的全闭环赋能能力，，，模子在工程化泛化体现方面同样值得关注。。。

1）高阶指令与多步行动追随

模子不但能精准明确“Pick up the hammer, lift it into the air, and hold it steady（拿起铁锤、举至空中并坚持稳固）”等高难度多步长指令，，，还能丝滑实现跨构型的行动追随。。。

2）多维一连泛化

在面临重大长尾场景时，，，展现出了强盛的跨情形、跨使命、跨构型的泛化天生实力。。。

3）多视角强一致性

在模拟天生气械人前视、左腕、右腕等多相机流时，，，展现出完善的空间与时序一致性。。。

4）行动-视频天生高度一致性

能够直觉化地明确人类的双手操作视频，，，并将其丝滑且等效地天生为机械臂的操作轨迹。。。

让天下模子在具身智能工业大规模落地

说了这么多架构和原理，，，最终照旧要回到一个问题：

DW0.5究竟怎么用？
？？？？？

整体来看，，，DM0.5作为基础战略模子，，，DW0.5认真行动效果预演与价值反馈，，，RL将两者链接。。。

基座模子DM0.5先天生一批初始行动，，，推给天下模子DW0.5

—→DW0.5当仿真器，，，在虚拟情形里把这些行动会导向的未来“跑”出来，，，批量天生乐成和失败的轨迹

—→再由一个强化学习教练员CFG-RL，，，给每条轨迹的使命进度打分（乐成的价值一起走高，，，失败的价值断崖下跌）

—→打分和奖励实时回传，，，更新模子权重，，，喂出一个更强的DM0.5

这个循环里大部分数据由DW0.5在线天生，，，不必所有靠真机翻来覆去高成外地去试。。。

噫吁嚱！

具身智能的天下里，，，天下模子终于有了一个明确的、能规；；
；
；；；τ迷诨等税才爬汤锏母谖唬

纸上谈兵终觉浅。。。
？？？？？梢钥吹，，，在打气球、晾衣服、叠纸盒等高难度重大使命中，，，接入DFOL 2.0的模子相比纯粹SFT（监视微调）基线，，，要害方法乐成率蓦地提升。。。

打气球使命：“给气球打气”这一步乐成率从10%升至90%；；
；
；；；“气筒插入气球”乐成率从10%跃升至100%。。。晾衣服使命：“乐成挂上衣架”这一长时序操作的SFT乐成率仅50%，，，DFOL2.0加持下翻倍至100%；；
；
；；；“衣架塞入衣服”的乐成率也从60%提升到了90%。。。叠纸盒使命：“叠右侧纸盒”和“叠左侧纸盒”两浩劫点方法，，，乐成率划分从35%拉升到了55%和50%。。。

评测集这边，，，DW0.5还在EWMBench、WorldArena等基准测试中横扫榜单，，，划分以4.73、73.54的分数，，，斩获全球SOTA（数据阻止7月9日）。。。

真实安排希望方面，，，原力灵机体现DW0.5已在内部跑通具死后训练闭环流程DFOL 2.0，，，最先肩负数据天生、价值评估和战略迭代事情。。。

同时，，，这套手艺能力已接入原力灵机推出的DexDev MaaS（Model As a Service）平台。。。

关于特定具身场景中零样本泛化能力缺乏的模子，，，可通事后训练补足能力，，，并接回平台服务。。。

值得强调的是，，，原力灵机再三对量子位强调并肯定了真实数据无可替换的价值。。。

“我们只是用天下模子降低本钱，，，真机数据照旧很主要的。。。在手艺演进上，，，天下模子现在仍需真机校准。。。”原力灵机联合首创人汪天才说。。。

我们问原力灵机，，，关于天下模子在具身智能领域的运用，，，尚有哪些其他想法？
？？？？？

获得的谜底是这样的——

随着视觉模子能力的一直提升，，，现场职员可以借助Ego相机收罗操作数据，，，镌汰对专业真机收罗和重大后训练团队的依赖，，，降低现场后训练的门槛。。。

那么，，，就让时间来磨练这个谜底吧～

GitHubhttps://github.com/dexmal/opendwHugging Facehttps://huggingface.co/Dexmal/DW05-Base