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。。？？？？

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？？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？？樽槌赡芰α绰。。。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。。。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