Dyna Robotics发布Dyna-2：基于100万小时人类视频预训练的世界动作模型

世界动作模型：用人类日常视频驱动机器人操作

Dyna Robotics正式发布Dyna-2——一款面向机器人操作的世界动作模型（World-Action Model, WAM）。其核心突破在于：完全基于超过100万小时的第一人称（egocentric）人类视频进行预训练，相当于约170年连续清醒状态下的视觉经验。此举直指机器人学习长期存在的瓶颈——高质量动作标注数据极度稀缺，传统方法依赖遥操作（teleoperation）人工采集，成本高、扩展难。Dyna-2首次系统验证：未经动作标注的普通人类视频，能否成为可泛化的机器人行为先验？

架构与训练：视频与动作的协同建模

Dyna-2构建于视频扩散（video-diffusion）主干网络之上，是一个统一的生成式模型，可联合或分别对未来的视频帧与动作片段进行去噪。其架构为混合Transformer结构：视频与动作被独立分词（tokenized），各自接入专属的DiT（Diffusion Transformer）层堆栈，并通过跨注意力机制相互交互。本体感知信号（proprioception）直接输入动作Transformer；视频token采用因果掩码，动作token则使用双向自注意力，并关注上下文视频token；视频token可交叉关注文本，但文本不直接影响动作token。训练采用流匹配（flow matching）范式，视频损失与动作损失共享主干网络，但分别建模为两个独立的边际速度场。关键设计在于：动作网络在推理时从不接收加噪后的视频隐变量，确保策略始终具备实时反应性——既不生成也不关注预测的未来视频。动作Transformer刻意设计得更浅，并较早融入视频流，团队称此举显著降低端到端延迟，且未牺牲性能。

三大缩放规律：从人类视频到机器人任务的实证迁移

研究团队构建了严格控制的数据阶梯：精确截取1,000、10,000、100,000和1,000,000小时子集，各子集保持原始数据源比例一致，仅增加数据量，排除分布偏移干扰；所有实验使用同一套固定的100小时人类视频验证集评估。结果发现：

1. 人类数据存在明确缩放律：四项指标均随数据量单调提升并符合幂律关系，例如保留集MSE = 0.0691·D^-0.0184（R²=0.919）； 2. 该规律成功迁移到未见过的机器人数据：同一组检查点在两个静止式双臂YAM平台上零样本测试39项任务（含12项内部任务与27项来自xdof ABC的公开任务），零样本动作MSE = 0.306·D^-0.0713（R²=0.884），且在10k至100k小时区间出现性能拐点； 3. 视频是独立且关键的泛化轴：联合视频-动作去噪在全部39项任务上均优于纯动作建模；固定5万小时动作标注数据，仅增加纯视频数据，零样本机器人MSE从0.340降至0.120。值得注意的是，人类视频验证误差未改善——视频数据的价值明确体现在跨具身（cross-embodiment）泛化能力上。

实际部署与产业落地

Dyna-2当前不提供开源权重、API或商用许可，仅作为厂商托管系统交付：客户需采购整套Dyna机器人单元，而非自行部署模型。据公司2026年8月10日公告，前代产品Dyna-1已实际部署于酒店、餐厅及洗衣店等场景。目标客户明确指向中型服务运营商及拥有多网点、重复性静态操作需求的企业。行业覆盖住宿、商用洗衣、餐饮服务、轻装配/分拣及设施清洁；14项后训练任务均源自真实作业，包括垃圾托盘清空、急救包组装、周转箱搭建、食物舀取、绳结系扎、衣架准备及冰箱内指定饮品抓取等。在三类机器人本体（6-DOF平行夹爪机械臂、同款机械臂+20-DOF灵巧手WUJI-2、半人形原型机）上，经每任务最多10小时机器人数据微调后，平均归一化得分从20%（1k小时）提升至53%（1M小时），其中9项任务在百万小时规模表现最佳。典型案例如‘保险箱钥匙旋转’任务：10万小时内成功率均为0%，之后跃升至90%；‘瓶盖拧开’仅用约10分钟演示数据，成功率即达50%。对比生产级VLA模型Dyna-1（基于Qwen3-VL-4B初始化），早期Dyna-2在7项任务上平均成功率提升55%，评分提升12%；在客户现场实测中，Dyna-2通过率87%，远高于Dyna-1的46%（二者在实验室环境均接近100%）。此外，其蒸馏管线将视频采样耗时从10,203毫秒压缩至110毫秒。

编者观点

中国机器人企业可重点关注“无标注视频驱动具身智能”的新范式——Dyna-2证明大规模人类行为视频本身蕴含强泛化先验，这为降低机器人训练门槛、加速垂直场景商业化提供了全新技术路径，尤其利好缺乏专业遥操作团队的中腰部服务商。