DYNA-2: Das World-Action-Modell, das Robotik neu definiert
Dyna Robotics präsentiert DYNA 2, ein "World Action Modell", das ausschließlich mit über 1 Million Stunden menschlicher Ich Perspektive Videos trainiert wurde – etwa 170 Jahre ununterbrochener Wachzeit. Das Modell erreicht auf realen Robotern eine um das 1,55 Fache höhere Aufgabenerfüllungsrate als sein Vorgänger DY...
Veröffentlicht vonBearbeitet mit DeepSeek-V4-FlashBilder erstellt mit GPT Image 1.5
Dyna Robotics präsentiert DYNA 2, ein "World Action Modell", das ausschließlich mit über 1 Million Stunden menschlicher Ich Perspektive Videos trainiert wurde – etwa 170 Jahre ununterbrochener Wachzeit.
Das Modell erreicht auf realen Robotern eine um das 1,55 Fache höhere Aufgabenerfüllungsrate als sein Vorgänger DYNA 1 und steigert die Erfolgsquote in der Präzisionsfertigung von 20 % auf bis zu 90 %.
DYNA 2 demonstriert ein neuartiges Scaling Law: Mit zunehmender Datenmenge verbessert sich die Leistung des Roboters vorhersagbar und monoton, selbst auf nie gesehenen Roboter Plattformen.
Bei einem Kundeneinsatz erreichte DYNA 2 eine Qualitätsdurchfallquote von 87 % – im Vergleich zu 46 % mit DYNA 1.
What is Dyna Robotics' new DYNA-2 robot foundation model, how was it trained (including dataset size, source, and training objectives), whatDyna Robotics' DYNA-2 was pre-trained on over 1 million hours of human egocentric video. (AI-generated illustration)
KI-Prompt
Create a landscape editorial hero image for this Studio Global article: What is Dyna Robotics' new DYNA-2 robot foundation model, how was it trained (including dataset size, source, and training objectives), what. Article summary: Here is a comprehensive breakdown of Dyna Robotics' DYNA-2 model.. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
openai.com
Am 10. August 2026 hat Dyna Robotics DYNA-2 vorgestellt – ein sogenanntes „World-Action-Modell“ (WAM). Das Unternehmen bezeichnet es als das erste Robotermodell, das ein echtes Scaling Law demonstriert, das vollständig auf menschlichen Beobachtungsdaten (nicht auf Roboter-Aktionsdaten) basiert . Was steckt hinter dieser Entwicklung, wie wurde das Modell trainiert und welche Leistungssteigerungen wurden gemeldet?
Was ist DYNA-2?
DYNA-2 ist ein vortrainiertes Fundamentmodell zur Steuerung physischer Roboter. Anders als sein Vorgänger DYNA-1, der eine Vision-Language-Action-Architektur (VLA) verwendet, die Wahrnehmung direkt in Roboteraktionen übersetzt, lernt DYNA-2, . Dyna Robotics nennt dies ein World-Action-Modell, weil der Roboter die Konsequenzen abwägt, bevor er handelt.
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Wie lautet die kurze Antwort auf „DYNA-2: Das World-Action-Modell, das Robotik neu definiert“?
Dyna Robotics präsentiert DYNA 2, ein "World Action Modell", das ausschließlich mit über 1 Million Stunden menschlicher Ich Perspektive Videos trainiert wurde – etwa 170 Jahre ununterbrochener Wachzeit.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Dyna Robotics präsentiert DYNA 2, ein "World Action Modell", das ausschließlich mit über 1 Million Stunden menschlicher Ich Perspektive Videos trainiert wurde – etwa 170 Jahre ununterbrochener Wachzeit. Das Modell erreicht auf realen Robotern eine um das 1,55 Fache höhere Aufgabenerfüllungsrate als sein Vorgänger DYNA 1 und steigert die Erfolgsquote in der Präzisionsfertigung von 20 % auf bis zu 90 %.
Was soll ich als nächstes in der Praxis tun?
DYNA 2 demonstriert ein neuartiges Scaling Law: Mit zunehmender Datenmenge verbessert sich die Leistung des Roboters vorhersagbar und monoton, selbst auf nie gesehenen Roboter Plattformen.
DYNA-2: Das World-Action-Modell, das Robotik neu definiert
Dyna Robotics präsentiert DYNA 2, ein "World Action Modell", das ausschließlich mit über 1 Million Stunden menschlicher Ich Perspektive Videos trainiert wurde – etwa 170 Jahre ununterbrochener Wachzeit. Das Modell erreicht auf realen Robotern eine um das 1,55 Fache höhere Aufgabenerfüllungsrate als sein Vorgänger DY...
Veröffentlicht vonBearbeitet mit DeepSeek-V4-FlashBilder erstellt mit GPT Image 1.5
Dyna Robotics präsentiert DYNA 2, ein "World Action Modell", das ausschließlich mit über 1 Million Stunden menschlicher Ich Perspektive Videos trainiert wurde – etwa 170 Jahre ununterbrochener Wachzeit.
Das Modell erreicht auf realen Robotern eine um das 1,55 Fache höhere Aufgabenerfüllungsrate als sein Vorgänger DYNA 1 und steigert die Erfolgsquote in der Präzisionsfertigung von 20 % auf bis zu 90 %.
DYNA 2 demonstriert ein neuartiges Scaling Law: Mit zunehmender Datenmenge verbessert sich die Leistung des Roboters vorhersagbar und monoton, selbst auf nie gesehenen Roboter Plattformen.
Bei einem Kundeneinsatz erreichte DYNA 2 eine Qualitätsdurchfallquote von 87 % – im Vergleich zu 46 % mit DYNA 1.
What is Dyna Robotics' new DYNA-2 robot foundation model, how was it trained (including dataset size, source, and training objectives), whatDyna Robotics' DYNA-2 was pre-trained on over 1 million hours of human egocentric video. (AI-generated illustration)
KI-Prompt
Create a landscape editorial hero image for this Studio Global article: What is Dyna Robotics' new DYNA-2 robot foundation model, how was it trained (including dataset size, source, and training objectives), what. Article summary: Here is a comprehensive breakdown of Dyna Robotics' DYNA-2 model.. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
openai.com
Am 10. August 2026 hat Dyna Robotics DYNA-2 vorgestellt – ein sogenanntes „World-Action-Modell“ (WAM). Das Unternehmen bezeichnet es als das erste Robotermodell, das ein echtes Scaling Law demonstriert, das vollständig auf menschlichen Beobachtungsdaten (nicht auf Roboter-Aktionsdaten) basiert . Was steckt hinter dieser Entwicklung, wie wurde das Modell trainiert und welche Leistungssteigerungen wurden gemeldet?
Was ist DYNA-2?
DYNA-2 ist ein vortrainiertes Fundamentmodell zur Steuerung physischer Roboter. Anders als sein Vorgänger DYNA-1, der eine Vision-Language-Action-Architektur (VLA) verwendet, die Wahrnehmung direkt in Roboteraktionen übersetzt, lernt DYNA-2, . Dyna Robotics nennt dies ein World-Action-Modell, weil der Roboter die Konsequenzen abwägt, bevor er handelt.
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Wie lautet die kurze Antwort auf „DYNA-2: Das World-Action-Modell, das Robotik neu definiert“?
Dyna Robotics präsentiert DYNA 2, ein "World Action Modell", das ausschließlich mit über 1 Million Stunden menschlicher Ich Perspektive Videos trainiert wurde – etwa 170 Jahre ununterbrochener Wachzeit.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Dyna Robotics präsentiert DYNA 2, ein "World Action Modell", das ausschließlich mit über 1 Million Stunden menschlicher Ich Perspektive Videos trainiert wurde – etwa 170 Jahre ununterbrochener Wachzeit. Das Modell erreicht auf realen Robotern eine um das 1,55 Fache höhere Aufgabenerfüllungsrate als sein Vorgänger DYNA 1 und steigert die Erfolgsquote in der Präzisionsfertigung von 20 % auf bis zu 90 %.
Was soll ich als nächstes in der Praxis tun?
DYNA 2 demonstriert ein neuartiges Scaling Law: Mit zunehmender Datenmenge verbessert sich die Leistung des Roboters vorhersagbar und monoton, selbst auf nie gesehenen Roboter Plattformen.
zukünftige Videobilder aus vergangenen vorherzusagen
Wie DYNA-2 trainiert wurde
Datensatzgröße und Quelle
Der Trainingsdatensatz umfasste über 1.000.000 Stunden egozentrisches (Ich-Perspektive) menschliches Video – das entspricht etwa 170 Jahren ununterbrochener Wachzeit . Die Videos zeigen alltägliche Manipulationsaufgaben wie Kochen, Falten, Zusammenbauen und Reinigen . Während der Vorbereitung wurden keinerlei Roboter-Aktionsdaten verwendet; Roboterdaten kamen erst in einer kleinen nachgelagerten Feinabstimmungsphase (Post-Training) zum Einsatz, meist 10 Stunden oder weniger pro Aufgabe .
Trainingsziele
Während des Pre-Trainings verwendete DYNA-2 ein Video-Vorhersage-Ziel – also das Lernen, zukünftige Videobilder aus vergangenen Beobachtungen vorherzusagen – in Kombination mit einem Video-Cotraining-Algorithmus, der gemeinsam visuelle Repräsentationen und Aktionsvorhersagen erlernt . Dieser Ansatz steht im Gegensatz zur VLA-Architektur von DYNA-1, die Wahrnehmung direkt in Roboteraktionen übersetzt, ohne dazwischen eine Videovorhersage zu schalten .
Das Unternehmen demonstrierte die Skalierung über vier Größenordnungen, von 1.000 Stunden bis zu 1.000.000 Stunden Pre-Training-Daten .
Leistungsverbesserungen gegenüber DYNA-1
Das Unternehmen führte direkte Vergleiche zwischen DYNA-2 und DYNA-1 unter identischen Trainingsbedingungen und in realen Einsätzen durch.
Direkter Benchmark-Vergleich (7 Aufgaben)
DYNA-2 erledigte Aufgaben 1,55-mal häufiger als das VLA-basierte DYNA-1 .
In paarweisen Vergleichen gewann DYNA-2 65 % der Durchläufe gegenüber DYNA-1 mit 29 % .
Gesamtergebnisse aus Benchmarks (14–15 Aufgaben auf 3 Roboterplattformen)
Die durchschnittliche normalisierte Leistung stieg monoton mit der Pre-Training-Datenmenge: 20 % → 28 % → 45 % → 53 % des erreichbaren Maximums, als die Daten von 1k → 10k → 100k → 1M Stunden skalierten . Bei der 1-Millionen-Stunden-Skala erzielte DYNA-2 bei 9 von 14 Aufgaben die stärkste reale Leistung . Wichtige aufgabenspezifische Verbesserungen waren:
Schlüsseldrehen am Tresor: von 0 % Erfolg (bis 100k Stunden) auf 90 % Erfolg bei 1M Stunden .
Flaschenverschluss öffnen: von 10 % Erfolg auf 40–50 % bei 1M Stunden, mit nur etwa 10 Minuten Roboter-Post-Training-Daten .
Gezieltes Getränkeabrufen (Sprachbefehle): verbessert von 58 % auf 83 %.
Reale Fertigungs- und Kundeneinsätze
Hochpräzise Fertigungsaufgaben: Erfolgsquoten stiegen von ~20 % auf 80–90 % allein durch größere Pre-Training-Skalen, ohne Änderungen an den Post-Training-Daten .
Zero-Shot-Einsatz bei einem Kunden: DYNA-2 erreichte eine Qualitätsdurchfallquote von 87 % gegenüber 46 % für DYNA-1 – eine Verbesserung um 41 Prozentpunkte.
Der Video-Cotraining-Algorithmus steigerte die Befolgungsgenauigkeit von Anweisungen um 133 % bei Aufgaben, die unterschiedliche Bewegungen als Reaktion auf Benutzerbefehle erfordern .
Das von Dyna Robotics beobachtete Scaling Law
Dyna Robotics berichtet von dem, was es „das erste echte Scaling Law in der Robotik, vollständig angetrieben durch menschliche Daten“ nennt . Wesentliche Merkmale:
Mensch-zu-Roboter-Transfer-Scaling Law: Mit zunehmender Menge an egozentrischen menschlichen Video-Pre-Training-Daten (über vier Größenordnungen hinweg, von 1k → 1M Stunden) verbesserte sich die Roboterleistung auf unbekannter Roboterhardware vorhersagbar, monoton und log-linear – ein Muster, das das Unternehmen als Scaling Law identifiziert .
Cross-Embodiment-Transfer: Die Skalierung galt über zwei verschiedene Roboterplattformen (eine stationäre beidarmige Plattform und einen semi-humanoiden Prototypen) hinweg, die das Modell während des Pre-Trainings nie gesehen hatte .
Zero-Shot-Aktionsvorhersage: Die Skalierung menschlicher Videodaten verbesserte auch die Fähigkeit des Modells, Aktionen auf zurückgehaltenen Roboter-Videodaten vorherzusagen, die während des Trainings nie gezeigt wurden .
Das Unternehmen erklärt ausdrücklich, dass es sich um eine „Premiere“ handelt: die Demonstration, dass die Skalierung menschlicher Beobachtungsdaten – nicht von Roboter-Aktionsdaten – als zuverlässige Achse zur Verbesserung der physischen Roboterintelligenz dienen kann .
Warum das wichtig ist
Sollten sich die Behauptungen unabhängig bestätigen lassen, hat Dyna Robotics einen praktischen Weg aufgezeigt, die Intelligenz von Robotern zu skalieren, ohne den Engpass der teuren Erhebung von Roboter-Aktionsdaten. Menschliche Videos gibt es in praktisch unbegrenztem Umfang. Das Unternehmen arbeitet bereits an einer Erweiterung auf 10 Millionen Stunden Trainingsdaten, was Robotern ermöglichen würde, neue physische Aufgaben mit nur wenigen Stunden lokaler Feinabstimmung zu meistern .
zukünftige Videobilder aus vergangenen vorherzusagen
Wie DYNA-2 trainiert wurde
Datensatzgröße und Quelle
Der Trainingsdatensatz umfasste über 1.000.000 Stunden egozentrisches (Ich-Perspektive) menschliches Video – das entspricht etwa 170 Jahren ununterbrochener Wachzeit . Die Videos zeigen alltägliche Manipulationsaufgaben wie Kochen, Falten, Zusammenbauen und Reinigen . Während der Vorbereitung wurden keinerlei Roboter-Aktionsdaten verwendet; Roboterdaten kamen erst in einer kleinen nachgelagerten Feinabstimmungsphase (Post-Training) zum Einsatz, meist 10 Stunden oder weniger pro Aufgabe .
Trainingsziele
Während des Pre-Trainings verwendete DYNA-2 ein Video-Vorhersage-Ziel – also das Lernen, zukünftige Videobilder aus vergangenen Beobachtungen vorherzusagen – in Kombination mit einem Video-Cotraining-Algorithmus, der gemeinsam visuelle Repräsentationen und Aktionsvorhersagen erlernt . Dieser Ansatz steht im Gegensatz zur VLA-Architektur von DYNA-1, die Wahrnehmung direkt in Roboteraktionen übersetzt, ohne dazwischen eine Videovorhersage zu schalten .
Das Unternehmen demonstrierte die Skalierung über vier Größenordnungen, von 1.000 Stunden bis zu 1.000.000 Stunden Pre-Training-Daten .
Leistungsverbesserungen gegenüber DYNA-1
Das Unternehmen führte direkte Vergleiche zwischen DYNA-2 und DYNA-1 unter identischen Trainingsbedingungen und in realen Einsätzen durch.
Direkter Benchmark-Vergleich (7 Aufgaben)
DYNA-2 erledigte Aufgaben 1,55-mal häufiger als das VLA-basierte DYNA-1 .
In paarweisen Vergleichen gewann DYNA-2 65 % der Durchläufe gegenüber DYNA-1 mit 29 % .
Gesamtergebnisse aus Benchmarks (14–15 Aufgaben auf 3 Roboterplattformen)
Die durchschnittliche normalisierte Leistung stieg monoton mit der Pre-Training-Datenmenge: 20 % → 28 % → 45 % → 53 % des erreichbaren Maximums, als die Daten von 1k → 10k → 100k → 1M Stunden skalierten . Bei der 1-Millionen-Stunden-Skala erzielte DYNA-2 bei 9 von 14 Aufgaben die stärkste reale Leistung . Wichtige aufgabenspezifische Verbesserungen waren:
Schlüsseldrehen am Tresor: von 0 % Erfolg (bis 100k Stunden) auf 90 % Erfolg bei 1M Stunden .
Flaschenverschluss öffnen: von 10 % Erfolg auf 40–50 % bei 1M Stunden, mit nur etwa 10 Minuten Roboter-Post-Training-Daten .
Gezieltes Getränkeabrufen (Sprachbefehle): verbessert von 58 % auf 83 %.
Reale Fertigungs- und Kundeneinsätze
Hochpräzise Fertigungsaufgaben: Erfolgsquoten stiegen von ~20 % auf 80–90 % allein durch größere Pre-Training-Skalen, ohne Änderungen an den Post-Training-Daten .
Zero-Shot-Einsatz bei einem Kunden: DYNA-2 erreichte eine Qualitätsdurchfallquote von 87 % gegenüber 46 % für DYNA-1 – eine Verbesserung um 41 Prozentpunkte.
Der Video-Cotraining-Algorithmus steigerte die Befolgungsgenauigkeit von Anweisungen um 133 % bei Aufgaben, die unterschiedliche Bewegungen als Reaktion auf Benutzerbefehle erfordern .
Das von Dyna Robotics beobachtete Scaling Law
Dyna Robotics berichtet von dem, was es „das erste echte Scaling Law in der Robotik, vollständig angetrieben durch menschliche Daten“ nennt . Wesentliche Merkmale:
Mensch-zu-Roboter-Transfer-Scaling Law: Mit zunehmender Menge an egozentrischen menschlichen Video-Pre-Training-Daten (über vier Größenordnungen hinweg, von 1k → 1M Stunden) verbesserte sich die Roboterleistung auf unbekannter Roboterhardware vorhersagbar, monoton und log-linear – ein Muster, das das Unternehmen als Scaling Law identifiziert .
Cross-Embodiment-Transfer: Die Skalierung galt über zwei verschiedene Roboterplattformen (eine stationäre beidarmige Plattform und einen semi-humanoiden Prototypen) hinweg, die das Modell während des Pre-Trainings nie gesehen hatte .
Zero-Shot-Aktionsvorhersage: Die Skalierung menschlicher Videodaten verbesserte auch die Fähigkeit des Modells, Aktionen auf zurückgehaltenen Roboter-Videodaten vorherzusagen, die während des Trainings nie gezeigt wurden .
Das Unternehmen erklärt ausdrücklich, dass es sich um eine „Premiere“ handelt: die Demonstration, dass die Skalierung menschlicher Beobachtungsdaten – nicht von Roboter-Aktionsdaten – als zuverlässige Achse zur Verbesserung der physischen Roboterintelligenz dienen kann .
Warum das wichtig ist
Sollten sich die Behauptungen unabhängig bestätigen lassen, hat Dyna Robotics einen praktischen Weg aufgezeigt, die Intelligenz von Robotern zu skalieren, ohne den Engpass der teuren Erhebung von Roboter-Aktionsdaten. Menschliche Videos gibt es in praktisch unbegrenztem Umfang. Das Unternehmen arbeitet bereits an einer Erweiterung auf 10 Millionen Stunden Trainingsdaten, was Robotern ermöglichen würde, neue physische Aufgaben mit nur wenigen Stunden lokaler Feinabstimmung zu meistern .
