Arquitectura del Modelo de Mundo-Acción: Predicción de Video en lugar de Imitación de Acciones

La arquitectura de DYNA-2 se basa en la generación de video, en lugar de los adaptadores de Visión-Lenguaje-Acción (VLA) que han dominado la robótica . Durante el preentrenamiento, el modelo ejecuta un objetivo dual: predice tanto el siguiente fotograma de video como la siguiente acción a partir del corpus de video humano . Este enfoque permite que el modelo construya un modelo interno de la física del contacto y el razonamiento espacial —aprendiendo relaciones causales entre acciones y sus consecuencias físicas— que se transfiere entre diferentes cuerpos robóticos sin haber visto nunca un robot durante el preentrenamiento .

Corpus de preentrenamiento: La empresa construyó cuatro subconjuntos anidados de video humano egocéntrico —1.000, 10.000, 100.000 y 1.000.000 de horas— sin usar ningún dato de acción robótica durante el preentrenamiento . Tras el preentrenamiento, el modelo se ajusta con una cantidad relativamente pequeña de datos reales de robot (horas o incluso minutos) para transferir la intuición física aprendida a un hardware específico .

La Primera Ley de Escalado de Transferencia Humano-Robot

Dyna Robotics informó lo que denomina la primera ley de escalado de transferencia entre cuerpos (cross-embodiment) en manipulación . El hallazgo es significativo porque demuestra que escalar los datos de video humano produce mejoras predecibles y monótonas en el rendimiento del robot, reflejando las leyes de escalado que transformaron los grandes modelos de lenguaje.

• Ley de escalado con datos humanos: En los cuatro órdenes de magnitud (1.000 → 10.000 → 100.000 → 1.000.000 horas), todas las métricas de calidad de predicción de video mejoraron de forma monótona, bien descritas por una ley potencial sin que se observe una meseta .

• La ley se transfiere a datos robóticos no vistos: Los mismos puntos de control se evaluaron sin ajuste previo en 39 tareas robóticas distintas en dos plataformas bimanuales estacionarias. El rendimiento mejoró de forma monótona a medida que crecía el conjunto de video humano de preentrenamiento, antes de cualquier ajuste fino específico para el robot . Un análisis mostró que, manteniendo fijos los datos etiquetados con acciones en 50.000 horas y añadiendo solo horas de video, el error cuadrático medio (MSE) de la acción robótica sin ajuste previo cayó de 0,340 a 0,120 .

• Escalado del rendimiento tras el ajuste fino: Tras el ajuste fino, la puntuación normalizada media en 14 tareas robóticas aumentó del 20% → 28% → 45% → 53% del máximo alcanzable a medida que la escala de preentrenamiento se incrementaba de 1.000 a 1.000.000 de horas .

Mejoras en la Tasa de Éxito de las Tareas

Las ganancias de rendimiento de DYNA-2 son más visibles en tres áreas clave:

• Fabricación de alta precisión: DYNA-2 elevó las tasas de éxito de las tareas de aproximadamente el 20% al 80-90% solo con el aumento de la escala de preentrenamiento, sin realizar ningún cambio en los datos de ajuste posterior . Esto supone una mejora de 4 a 4,5 veces simplemente por ver más video humano.

• Despliegues sin ajuste previo en clientes: En sitios reales de clientes, DYNA-2 alcanzó una tasa de aprobación de calidad del 87%, en comparación con el 46% de su predecesor basado en VLA, DYNA-1, una mejora de 41 puntos con presupuestos de ajuste posteriores igualados . En evaluaciones físicas directas con condiciones de entrenamiento idénticas, DYNA-2 completó tareas que DYNA-1 y ganó el .

• Destapar una botella (13 minutos de datos): Con solo 13 minutos de datos de demostración específicos del robot, DYNA-2 se adaptó para comandar un par de manos diestras de cinco dedos para destapar una botella . El informe técnico de la empresa aclara que la cifra fue de aproximadamente de datos robóticos, y que la escala de preentrenamiento elevó el éxito del 10% con presupuestos más pequeños al 40-50% con el presupuesto completo de 1.000.000 de horas .

Implicaciones para el Futuro de la Robótica

Los resultados de DYNA-2 desafían la suposición predominante de que los robots requieren grandes cantidades de datos robóticos específicos de la tarea. Al demostrar una ley de escalado que se transfiere del video humano al hardware robótico, Dyna Robotics abre un camino práctico hacia 10 millones de horas de datos de entrenamiento —con el potencial de permitir que los robots dominen nuevas tareas físicas con solo horas de ajuste local . El modelo actualmente opera como un sistema gestionado por el proveedor; Dyna Robotics no ha anunciado ningún punto de control público, API o licencia para DYNA-2 . La replicación independiente por parte de la comunidad de investigación en robótica será el siguiente paso para validar estos resultados .

Arquitectura del Modelo de Mundo-Acción: Predicción de Video en lugar de Imitación de Acciones

La arquitectura de DYNA-2 se basa en la generación de video, en lugar de los adaptadores de Visión-Lenguaje-Acción (VLA) que han dominado la robótica . Durante el preentrenamiento, el modelo ejecuta un objetivo dual: predice tanto el siguiente fotograma de video como la siguiente acción a partir del corpus de video humano . Este enfoque permite que el modelo construya un modelo interno de la física del contacto y el razonamiento espacial —aprendiendo relaciones causales entre acciones y sus consecuencias físicas— que se transfiere entre diferentes cuerpos robóticos sin haber visto nunca un robot durante el preentrenamiento .

Corpus de preentrenamiento: La empresa construyó cuatro subconjuntos anidados de video humano egocéntrico —1.000, 10.000, 100.000 y 1.000.000 de horas— sin usar ningún dato de acción robótica durante el preentrenamiento . Tras el preentrenamiento, el modelo se ajusta con una cantidad relativamente pequeña de datos reales de robot (horas o incluso minutos) para transferir la intuición física aprendida a un hardware específico .

La Primera Ley de Escalado de Transferencia Humano-Robot

Dyna Robotics informó lo que denomina la primera ley de escalado de transferencia entre cuerpos (cross-embodiment) en manipulación . El hallazgo es significativo porque demuestra que escalar los datos de video humano produce mejoras predecibles y monótonas en el rendimiento del robot, reflejando las leyes de escalado que transformaron los grandes modelos de lenguaje.

• Ley de escalado con datos humanos: En los cuatro órdenes de magnitud (1.000 → 10.000 → 100.000 → 1.000.000 horas), todas las métricas de calidad de predicción de video mejoraron de forma monótona, bien descritas por una ley potencial sin que se observe una meseta .

• La ley se transfiere a datos robóticos no vistos: Los mismos puntos de control se evaluaron sin ajuste previo en 39 tareas robóticas distintas en dos plataformas bimanuales estacionarias. El rendimiento mejoró de forma monótona a medida que crecía el conjunto de video humano de preentrenamiento, antes de cualquier ajuste fino específico para el robot . Un análisis mostró que, manteniendo fijos los datos etiquetados con acciones en 50.000 horas y añadiendo solo horas de video, el error cuadrático medio (MSE) de la acción robótica sin ajuste previo cayó de 0,340 a 0,120 .

• Escalado del rendimiento tras el ajuste fino: Tras el ajuste fino, la puntuación normalizada media en 14 tareas robóticas aumentó del 20% → 28% → 45% → 53% del máximo alcanzable a medida que la escala de preentrenamiento se incrementaba de 1.000 a 1.000.000 de horas .

Mejoras en la Tasa de Éxito de las Tareas

Las ganancias de rendimiento de DYNA-2 son más visibles en tres áreas clave:

• Fabricación de alta precisión: DYNA-2 elevó las tasas de éxito de las tareas de aproximadamente el 20% al 80-90% solo con el aumento de la escala de preentrenamiento, sin realizar ningún cambio en los datos de ajuste posterior . Esto supone una mejora de 4 a 4,5 veces simplemente por ver más video humano.

• Despliegues sin ajuste previo en clientes: En sitios reales de clientes, DYNA-2 alcanzó una tasa de aprobación de calidad del 87%, en comparación con el 46% de su predecesor basado en VLA, DYNA-1, una mejora de 41 puntos con presupuestos de ajuste posteriores igualados . En evaluaciones físicas directas con condiciones de entrenamiento idénticas, DYNA-2 completó tareas que DYNA-1 y ganó el .

• Destapar una botella (13 minutos de datos): Con solo 13 minutos de datos de demostración específicos del robot, DYNA-2 se adaptó para comandar un par de manos diestras de cinco dedos para destapar una botella . El informe técnico de la empresa aclara que la cifra fue de aproximadamente de datos robóticos, y que la escala de preentrenamiento elevó el éxito del 10% con presupuestos más pequeños al 40-50% con el presupuesto completo de 1.000.000 de horas .

Implicaciones para el Futuro de la Robótica

Los resultados de DYNA-2 desafían la suposición predominante de que los robots requieren grandes cantidades de datos robóticos específicos de la tarea. Al demostrar una ley de escalado que se transfiere del video humano al hardware robótico, Dyna Robotics abre un camino práctico hacia 10 millones de horas de datos de entrenamiento —con el potencial de permitir que los robots dominen nuevas tareas físicas con solo horas de ajuste local . El modelo actualmente opera como un sistema gestionado por el proveedor; Dyna Robotics no ha anunciado ningún punto de control público, API o licencia para DYNA-2 . La replicación independiente por parte de la comunidad de investigación en robótica será el siguiente paso para validar estos resultados .