DYNA-2: מודל היסוד של רובוטיקה שאומן על מיליון שעות של וידאו אנושי ומגלה חוק קנה מידה
Dyna Robotics הכריזה על DYNA 2, מודל 'עולם פעולה' (WAM) שאומן על למעלה ממיליון שעות של וידאו אנושי מגוף ראשון (אגוצנטרי) – שווה ערך ל 170 שנות ניסיון רצוף [1][2][6]. בניגוד למודלים קודמים, DYNA 2 לא כלל שום נתוני רובוט בשלב האימון המקדים; נתוני רובוט שולבו רק בשלב post training מוגבל של 10 שעות או פחות [2][13].
פורסם על ידינערך באמצעות DeepSeek-V4-Flashהתמונות נוצרו באמצעות GPT Image 1.5
Dyna Robotics הכריזה על DYNA 2, מודל 'עולם פעולה' (WAM) שאומן על למעלה ממיליון שעות של וידאו אנושי מגוף ראשון (אגוצנטרי) – שווה ערך ל 170 שנות ניסיון רצוף [1][2][6].
בניגוד למודלים קודמים, DYNA 2 לא כלל שום נתוני רובוט בשלב האימון המקדים; נתוני רובוט שולבו רק בשלב post training מוגבל של 10 שעות או פחות [2][13].
המודל משתמש באובייקטיב של חיזוי וידאו (video prediction) ובאלגוריתם co training וידאו כדי ללמוד לייצג חזותית ולחזות פעולות [7][13].
בבדיקות ראש בראש, DYNA 2 ביצע משימות פי 1.55 יותר מאשר קודמו DYNA 1, וזכה ב 65% מהמבחנים [5][7].
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)
AI 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
ב-10 באוגוסט 2026, Dyna Robotics חשפה את DYNA-2, מודל יסוד לרובוטיקה שהיא מכנה "מודל עולם-פעולה" (World-Action Model, WAM). החברה טוענת שזהו מודל הרובוט הראשון שמדגים חוק קנה מידה (Scaling Law) אמיתי המופעל כולו על ידי נתוני התבוננות אנושיים, ולא על ידי נתוני פעולה של רובוטים . הנה מה שההכרזה אומרת על עולם הרובוטיקה, כיצד המודל אומן, ואילו שיפורי ביצועים דווחו.
מהו DYNA-2?
DYNA-2 הוא מודל מאומן מראש (pre-trained) שנועד לשלוט ברובוטים פיזיים. בניגוד לקודמו, DYNA-1, שהשתמש בארכיטקטורת Vision-Language-Action (VLA) הממפה תפיסה ישירות לפעולות רובוט, DYNA-2 לומד על ידי חיזוי של פריימים עתידיים של וידאו מתוך פריימים עבר . Dyna Robotics מכנה זאת מודל עולם-פעולה משום שהרובוט שוקל את ההשלכות לפני שהוא זז.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "DYNA-2: מודל היסוד של רובוטיקה שאומן על מיליון שעות של וידאו אנושי ומגלה חוק קנה מידה"?
Dyna Robotics הכריזה על DYNA 2, מודל 'עולם פעולה' (WAM) שאומן על למעלה ממיליון שעות של וידאו אנושי מגוף ראשון (אגוצנטרי) – שווה ערך ל 170 שנות ניסיון רצוף [1][2][6].
What are the key points to validate first?
Dyna Robotics הכריזה על DYNA 2, מודל 'עולם פעולה' (WAM) שאומן על למעלה ממיליון שעות של וידאו אנושי מגוף ראשון (אגוצנטרי) – שווה ערך ל 170 שנות ניסיון רצוף [1][2][6]. בניגוד למודלים קודמים, DYNA 2 לא כלל שום נתוני רובוט בשלב האימון המקדים; נתוני רובוט שולבו רק בשלב post training מוגבל של 10 שעות או פחות [2][13].
What should I do next in practice?
המודל משתמש באובייקטיב של חיזוי וידאו (video prediction) ובאלגוריתם co training וידאו כדי ללמוד לייצג חזותית ולחזות פעולות [7][13].
DYNA-2: מודל היסוד של רובוטיקה שאומן על מיליון שעות של וידאו אנושי ומגלה חוק קנה מידה
Dyna Robotics הכריזה על DYNA 2, מודל 'עולם פעולה' (WAM) שאומן על למעלה ממיליון שעות של וידאו אנושי מגוף ראשון (אגוצנטרי) – שווה ערך ל 170 שנות ניסיון רצוף [1][2][6]. בניגוד למודלים קודמים, DYNA 2 לא כלל שום נתוני רובוט בשלב האימון המקדים; נתוני רובוט שולבו רק בשלב post training מוגבל של 10 שעות או פחות [2][13].
פורסם על ידינערך באמצעות DeepSeek-V4-Flashהתמונות נוצרו באמצעות GPT Image 1.5
Dyna Robotics הכריזה על DYNA 2, מודל 'עולם פעולה' (WAM) שאומן על למעלה ממיליון שעות של וידאו אנושי מגוף ראשון (אגוצנטרי) – שווה ערך ל 170 שנות ניסיון רצוף [1][2][6].
בניגוד למודלים קודמים, DYNA 2 לא כלל שום נתוני רובוט בשלב האימון המקדים; נתוני רובוט שולבו רק בשלב post training מוגבל של 10 שעות או פחות [2][13].
המודל משתמש באובייקטיב של חיזוי וידאו (video prediction) ובאלגוריתם co training וידאו כדי ללמוד לייצג חזותית ולחזות פעולות [7][13].
בבדיקות ראש בראש, DYNA 2 ביצע משימות פי 1.55 יותר מאשר קודמו DYNA 1, וזכה ב 65% מהמבחנים [5][7].
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)
AI 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
ב-10 באוגוסט 2026, Dyna Robotics חשפה את DYNA-2, מודל יסוד לרובוטיקה שהיא מכנה "מודל עולם-פעולה" (World-Action Model, WAM). החברה טוענת שזהו מודל הרובוט הראשון שמדגים חוק קנה מידה (Scaling Law) אמיתי המופעל כולו על ידי נתוני התבוננות אנושיים, ולא על ידי נתוני פעולה של רובוטים . הנה מה שההכרזה אומרת על עולם הרובוטיקה, כיצד המודל אומן, ואילו שיפורי ביצועים דווחו.
מהו DYNA-2?
DYNA-2 הוא מודל מאומן מראש (pre-trained) שנועד לשלוט ברובוטים פיזיים. בניגוד לקודמו, DYNA-1, שהשתמש בארכיטקטורת Vision-Language-Action (VLA) הממפה תפיסה ישירות לפעולות רובוט, DYNA-2 לומד על ידי חיזוי של פריימים עתידיים של וידאו מתוך פריימים עבר . Dyna Robotics מכנה זאת מודל עולם-פעולה משום שהרובוט שוקל את ההשלכות לפני שהוא זז.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "DYNA-2: מודל היסוד של רובוטיקה שאומן על מיליון שעות של וידאו אנושי ומגלה חוק קנה מידה"?
Dyna Robotics הכריזה על DYNA 2, מודל 'עולם פעולה' (WAM) שאומן על למעלה ממיליון שעות של וידאו אנושי מגוף ראשון (אגוצנטרי) – שווה ערך ל 170 שנות ניסיון רצוף [1][2][6].
What are the key points to validate first?
Dyna Robotics הכריזה על DYNA 2, מודל 'עולם פעולה' (WAM) שאומן על למעלה ממיליון שעות של וידאו אנושי מגוף ראשון (אגוצנטרי) – שווה ערך ל 170 שנות ניסיון רצוף [1][2][6]. בניגוד למודלים קודמים, DYNA 2 לא כלל שום נתוני רובוט בשלב האימון המקדים; נתוני רובוט שולבו רק בשלב post training מוגבל של 10 שעות או פחות [2][13].
What should I do next in practice?
המודל משתמש באובייקטיב של חיזוי וידאו (video prediction) ובאלגוריתם co training וידאו כדי ללמוד לייצג חזותית ולחזות פעולות [7][13].
מערך האימון כלל מעל 1,000,000 שעות של וידאו אנושי אגוצנטרי (מגוף ראשון) – שווה ערך לכ-170 שנות ניסיון רצוף . הסרטונים תיעדו משימות יומיומיות כמו בישול, קיפול, הרכבה וניקוי . בשלב האימון המקדים לא נעשה שימוש בנתוני רובוט; נתוני רובוט הוכנסו רק במהלך שלב ה-post-training או ה-fine-tuning, בדרך כלל 10 שעות או פחות לכל משימה .
מטרות האימון
במהלך האימון המקדים, DYNA-2 השתמש באובייקטיב חיזוי וידאו (video prediction) – למידה לחזות פריימים עתידיים של וידאו מתצפיות עבר – יחד עם אלגוריתם co-training וידאו (video co-training algorithm) הלומד ייצוגים חזותיים וחיזוי פעולות במקביל . גישה זו מנוגדת לארכיטקטורת VLA של DYNA-1, הממפה תפיסה ישירות לפעולות רובוט ללא חיזוי וידאו ביניים .
החברה הדגימה קנה מידה לאורך ארבעה סדרי גודל, מ-1,000 שעות ועד 1,000,000 שעות של נתוני אימון מקדים .
שיפורי ביצועים לעומת DYNA-1
החברה ביצעה השוואות ישירות בין DYNA-2 ל-DYNA-1 בתנאי אימון תואמים ופריסה בעולם האמיתי.
בדיקות ראש בראש (7 משימות)
DYNA-2 ביצע משימות פי 1.55 יותר מאשר DYNA-1 מבוסס ה-VLA .
בהשוואות זוגיות, DYNA-2 ניצח ב-65% מהניסויים לעומת 29% ל-DYNA-1 .
תוצאות מצטברות (14-15 משימות על 3 גופי רובוט)
הביצועים המנורמלים הממוצעים עלו באופן מונוטוני עם קנה מידה: 20% → 28% → 45% → 53% מהמקסימום האפשרי ככל שקנה המידה גדל מ-1k → 10k → 100k → 1M שעות . בקנה המידה של 1M שעות, DYNA-2 השיג את הביצועים החזקים ביותר בעולם האמיתי ב-9 מתוך 14 משימות. שיפורים עיקריים במשימות ספציפיות:
סיבוב מפתח בתיבת מנעול: מ-0% הצלחה (עד 100k שעות) ל-90% הצלחה ב-1M שעות .
פתיחת פקק בקבוק: מ-10% הצלחה ל-40-50% ב-1M שעות, תוך שימוש בכ-10 דקות של נתוני post-training .
שליפת משקה ממוקדת (עקיבות אחר שפה): שיפור מ**-58% ל-83%** .
פריסה בעולם האמיתי: ייצור ולקוחות
משימות ייצור דיוק גבוה: שיעורי הצלחה זינקו מ**-20% ל-80-90%** אך ורק על ידי הגדלת קנה המידה של האימון המקדים, ללא שינויים בנתוני post-training .
פריסה Zero-shot באתר לקוח: DYNA-2 רשם שיעור מעבר איכות של 87% לעומת 46% ל-DYNA-1 – שיפור של 41 נקודות.
אלגוריתם video co-training העלה ציוני עקיבות אחר הוראות ב-133% במשימות הדורשות תנועות מובחנות בתגובה לפקודות משתמש .
חוק קנה המידה ש-Dyna Robotics גילתה
Dyna Robotics דיווחה על מה שהיא מכנה "חוק קנה המידה האמיתי הראשון ברובוטיקה המופעל כולו על ידי נתוני אדם". מאפיינים עיקריים:
חוק קנה מידה להעברת ידע מאדם לרובוט: ככל שכמות הווידאו האגוצנטרי האנושי באימון המקדים גדלה לאורך ארבעה סדרי גודל (1k → 1M שעות), ביצועי הרובוט על חומרת רובוט לא מוכרת השתפרו באופן צפוי, מונוטוני ולוג-ליניארי – דפוס שהחברה מזהה כחוק קנה מידה .
העברה בין גופים (Cross-embodiment transfer): קנה המידה החזיק מעמד על פני שני גופי רובוט שונים (פלטפורמה דו-זרועית נייחת ואב-טיפוס חצי-הומנואידי) שהמודל מעולם לא ראה במהלך האימון המקדים .
חיזוי פעולה Zero-shot: הגדלת נתוני הווידאו האנושי שיפרה גם את יכולת המודל לחזות פעולות על נתוני וידאו של רובוט שלא נחשפו (held-out) במהלך האימון .
החברה מצהירה במפורש שזוהי הדגמה "ראשונה מסוגה" לכך שהגדלת נתוני התבוננות אנושיים, לא נתוני פעולה של רובוט, יכולה לשמש כציר אמין לשיפור האינטליגנציה הפיזית של רובוטים .
למה זה חשוב
אם הטענות עומדות באימות בלתי תלוי, Dyna Robotics הראתה דרך מעשית להרחיב את האינטליגנציה הרובוטית ללא צוואר הבקבוק של איסוף נתוני פעולה יקרים של רובוט. וידאו אנושי קיים בהיקף בלתי מוגבל למעשה. החברה אומרת שהיא כבר עובדת לקראת 10 מיליון שעות של נתוני אימון, מה שיאפשר לרובוטים לשלוט במשימות פיזיות חדשות עם שעות בודדות של fine-tuning מקומי .
מערך האימון כלל מעל 1,000,000 שעות של וידאו אנושי אגוצנטרי (מגוף ראשון) – שווה ערך לכ-170 שנות ניסיון רצוף . הסרטונים תיעדו משימות יומיומיות כמו בישול, קיפול, הרכבה וניקוי . בשלב האימון המקדים לא נעשה שימוש בנתוני רובוט; נתוני רובוט הוכנסו רק במהלך שלב ה-post-training או ה-fine-tuning, בדרך כלל 10 שעות או פחות לכל משימה .
מטרות האימון
במהלך האימון המקדים, DYNA-2 השתמש באובייקטיב חיזוי וידאו (video prediction) – למידה לחזות פריימים עתידיים של וידאו מתצפיות עבר – יחד עם אלגוריתם co-training וידאו (video co-training algorithm) הלומד ייצוגים חזותיים וחיזוי פעולות במקביל . גישה זו מנוגדת לארכיטקטורת VLA של DYNA-1, הממפה תפיסה ישירות לפעולות רובוט ללא חיזוי וידאו ביניים .
החברה הדגימה קנה מידה לאורך ארבעה סדרי גודל, מ-1,000 שעות ועד 1,000,000 שעות של נתוני אימון מקדים .
שיפורי ביצועים לעומת DYNA-1
החברה ביצעה השוואות ישירות בין DYNA-2 ל-DYNA-1 בתנאי אימון תואמים ופריסה בעולם האמיתי.
בדיקות ראש בראש (7 משימות)
DYNA-2 ביצע משימות פי 1.55 יותר מאשר DYNA-1 מבוסס ה-VLA .
בהשוואות זוגיות, DYNA-2 ניצח ב-65% מהניסויים לעומת 29% ל-DYNA-1 .
תוצאות מצטברות (14-15 משימות על 3 גופי רובוט)
הביצועים המנורמלים הממוצעים עלו באופן מונוטוני עם קנה מידה: 20% → 28% → 45% → 53% מהמקסימום האפשרי ככל שקנה המידה גדל מ-1k → 10k → 100k → 1M שעות . בקנה המידה של 1M שעות, DYNA-2 השיג את הביצועים החזקים ביותר בעולם האמיתי ב-9 מתוך 14 משימות. שיפורים עיקריים במשימות ספציפיות:
סיבוב מפתח בתיבת מנעול: מ-0% הצלחה (עד 100k שעות) ל-90% הצלחה ב-1M שעות .
פתיחת פקק בקבוק: מ-10% הצלחה ל-40-50% ב-1M שעות, תוך שימוש בכ-10 דקות של נתוני post-training .
שליפת משקה ממוקדת (עקיבות אחר שפה): שיפור מ**-58% ל-83%** .
פריסה בעולם האמיתי: ייצור ולקוחות
משימות ייצור דיוק גבוה: שיעורי הצלחה זינקו מ**-20% ל-80-90%** אך ורק על ידי הגדלת קנה המידה של האימון המקדים, ללא שינויים בנתוני post-training .
פריסה Zero-shot באתר לקוח: DYNA-2 רשם שיעור מעבר איכות של 87% לעומת 46% ל-DYNA-1 – שיפור של 41 נקודות.
אלגוריתם video co-training העלה ציוני עקיבות אחר הוראות ב-133% במשימות הדורשות תנועות מובחנות בתגובה לפקודות משתמש .
חוק קנה המידה ש-Dyna Robotics גילתה
Dyna Robotics דיווחה על מה שהיא מכנה "חוק קנה המידה האמיתי הראשון ברובוטיקה המופעל כולו על ידי נתוני אדם". מאפיינים עיקריים:
חוק קנה מידה להעברת ידע מאדם לרובוט: ככל שכמות הווידאו האגוצנטרי האנושי באימון המקדים גדלה לאורך ארבעה סדרי גודל (1k → 1M שעות), ביצועי הרובוט על חומרת רובוט לא מוכרת השתפרו באופן צפוי, מונוטוני ולוג-ליניארי – דפוס שהחברה מזהה כחוק קנה מידה .
העברה בין גופים (Cross-embodiment transfer): קנה המידה החזיק מעמד על פני שני גופי רובוט שונים (פלטפורמה דו-זרועית נייחת ואב-טיפוס חצי-הומנואידי) שהמודל מעולם לא ראה במהלך האימון המקדים .
חיזוי פעולה Zero-shot: הגדלת נתוני הווידאו האנושי שיפרה גם את יכולת המודל לחזות פעולות על נתוני וידאו של רובוט שלא נחשפו (held-out) במהלך האימון .
החברה מצהירה במפורש שזוהי הדגמה "ראשונה מסוגה" לכך שהגדלת נתוני התבוננות אנושיים, לא נתוני פעולה של רובוט, יכולה לשמש כציר אמין לשיפור האינטליגנציה הפיזית של רובוטים .
למה זה חשוב
אם הטענות עומדות באימות בלתי תלוי, Dyna Robotics הראתה דרך מעשית להרחיב את האינטליגנציה הרובוטית ללא צוואר הבקבוק של איסוף נתוני פעולה יקרים של רובוט. וידאו אנושי קיים בהיקף בלתי מוגבל למעשה. החברה אומרת שהיא כבר עובדת לקראת 10 מיליון שעות של נתוני אימון, מה שיאפשר לרובוטים לשלוט במשימות פיזיות חדשות עם שעות בודדות של fine-tuning מקומי .
