觅蜂这项研究得出的核心结论很直白,机器人任务跑通、结果成功,不代表这条真机数据适合用来训练具身模型,有三类看起来没问题的成功示范,反而会把模型教坏,这也是现在很多具身智能项目真机落地翻车的隐藏原因。原因在于具身模型的后训练阶段高度依赖真机交互数据,和通用大模型预训练不一样,真机数据容错率很低,模型会原样复刻示范里的全部动作、观测条件、校准状态,不会自动过滤里面的隐藏缺陷;很多团队过去只统计任务成功率,跳过了数据本身的质检环节,大量劣质成功数据混入训练集,最后出现仿真里效果很好、真机上完全没法稳定复现的情况。整个排查和验证的步骤分为三步,第一步是汇总 20 万小时真机记录、2 万多条任务日志,覆盖 25 款双臂机器人,做分组对照训练;第二步分别对观测缺失、校准偏差、冗余绕路这三类数据做单独训练测试,量化指标变化;第三步提出全链路的数据质检标准,不再只用任务成败作为唯一验收标尺。整套实验跑完之后确认,想要做好具身模型真机迭代,数据质量审核优先级,要高于单纯堆数据时长和任务成功数量。
一、三类会教坏具身模型的 “成功数据”
| 类型 | 通俗解释 | 实测影响 |
|---|---|---|
| 看不全(观测缺失) | 任务做完了,但机器人摄像头没有拍到做决策需要的关键信息 | 模型选臂正确率约 50%,和随机猜差不多;补全观测后准确率拉到 100% |
| 对不上(校准不一致) | 采集时机器人关节零位、传感器参数,和后续部署真机参数不一样 | 哪怕示范动作没问题,部署后真机测试大概率全部失败 |
| 走弯路(冗余动作) | 操作员为弥补卡顿、视野问题,做出绕行、停顿、反复调整的动作,任务最终完成 | 模型会记住约 90% 多余路径;绕行数据占比到 80% 时,任务耗时上涨 29% |
二、坏数据一般是在哪个环节产生
- 采集系统前期设计阶段就埋下隐患:机器人本体选型、控制延迟、传感器安装位置、标定流程没有统一规范。
- 采集验收标准简单粗暴:只记录任务有没有做完,不记录轨迹连续性、观测画面完整性、校准参数快照。
- 遥操作采集时操作员的人为补救动作,没有做过滤标记,直接打上 “成功样本” 标签入库。
三、研究给出的真机数据质量管理步骤
- 采集环节:同步保存传感器画面、关节标定参数、时间延迟信息,不能只存动作轨迹。
- 实时监测环节:自动识别观测盲区、轨迹抖动、大量停顿绕行的样本,打上风险标签。
- 入库验收环节:设置多维度指标,包含观测完整性、采集部署校准一致性、轨迹效率,合格之后才能进训练集。
【相关 FAQ】
问题 1:觅蜂 20 万小时真机数据研究里提到的具身模型坏数据,都是任务失败的数据吗?
回答 1:不是,这项研究重点就是表面任务成功的数据,也就是机器人顺利完成目标、结果没问题,但观测、校准、动作轨迹存在缺陷,这类数据最容易被忽略,持续喂给具身模型就会造成模型学错策略。
问题 2:用带有绕行冗余动作的成功数据训练具身模型,具体会出现什么样的表现?
回答 2:模型会复刻示范里多余的停顿和绕路路径,实验中绕行类成功数据占比提升到 80% 时,机器人完成同样任务的耗时增加约 29%,动作变得低效、不稳定。
问题 3:具身模型预训练数据和觅蜂研究里说的真机后训练数据,差别在哪?
回答 3:预训练多用无本体、仿真、通用视觉语言数据,用来学习基础认知;真机后训练数据是绑定实体机器人的交互数据,容错更低,也是这项 20 万小时真机数据研究主要针对的对象。
【参考资料】
[2026-11-20](觅蜂发布 20 万小时真机数据质量研究:冗余示范使任务耗时增加约 29%)界面新闻
[2026-11-20](觅蜂发布 20 万小时真机数据质量研究,找出 “成功数据” 背后的错误示范)上观新闻
[2026-11-20](觅蜂发布 20 万小时真机数据质量研究 提出有效性三问)CNMO 科技
[2026-11-20](觅蜂发布真机数据质量研究:模型保留约 90% 示范绕行路径,任务耗时增加 29%)新浪财经
【免责声明】
本文信息仅基于公开研究报道整理,不构成具身智能研发、数据采购相关技术方案和投资建议;研究结论为特定实验条件下的观测结果,不同机器人本体、采集方案下效果会存在差异,技术落地请自行验证。
本文来自作者[流波锚定]投稿,不代表环球科技潮立场,如若转载,请注明出处:https://www.zennew.com/hlw/202611/3580.html
评论列表(4条)
我是环球科技潮的签约作者“流波锚定”!
希望本篇文章《觅蜂发布20万小时真机数据质量研究三类“成功数据”可能教坏具身模型》能对你有所帮助!
本站[环球科技潮]内容主要涵盖:科技,科技新闻,黑科技
本文概览:觅蜂这项研究得出的核心结论很直白,机器人任务跑通、结果成功,不代表这条真机数据适合用来训练具身模型,有三类看起来没问题的成功示范,反而会把模型教坏,这也是现在很多具身智能项目真机落地翻车的隐藏原因。原因在于具身模型的后训练阶段高度依赖真机交互数据,和通用大模型预训练不一样,真机数据容错率很低,模型会原样复刻示范里的全部动作、观测条件、校准状态,不会自动过滤里面的隐藏缺陷;很多团队过去只统计任务成功率,跳过了数据本身的质检环节,大量劣质成功数据混入训练集,最后出现仿真里效果很好、真机上完全没法稳定复现的情况。整个排查和验证的步骤分为三步,第一步是汇总 20 万小时真机记录、2 万多条任务日志,覆盖 25 款双臂机器人,做分组对照训练;第二步分别对观测缺失、校准偏差、冗余绕路这三类数据做单独训练测试,量化指标变化;第三步提出全链路的数据质检标准,不再只用任务成败作为唯一验收标尺。整套实验跑完之后确认,想要做好具身模型真机迭代,数据质量审核优先级,要高于单纯堆数据时长和任务成功数量。