Arsitektur World-Action Model: Prediksi Video, Bukan Imitasi Tindakan

Arsitektur DYNA-2 dibangun di atas generasi video alih-alih adaptor Vision-Language-Action (VLA) yang mendominasi robotika . Selama pelatihan awal, model menjalankan dual objective: memprediksi frame video berikutnya dan tindakan berikutnya dari korpus video manusia . Pendekatan ini memungkinkan model membangun model internal fisika kontak dan penalaran spasial — mempelajari hubungan kausal antara tindakan dan konsekuensi fisiknya — yang dapat ditransfer ke berbagai bentuk robot tanpa pernah melihat robot selama pelatihan awal .

Korpus pelatihan awal: Perusahaan membangun empat subset bersarang video manusia egosentris — 1.000, 10.000, 100.000, dan 1.000.000 jam — dengan tidak ada data tindakan robot yang digunakan selama pelatihan awal . Setelah pelatihan awal, model di-fine-tune pada sejumlah kecil data robot nyata (hitungan jam atau bahkan menit) untuk mentransfer intuisi fisik yang dipelajari ke perangkat keras tertentu .

Hukum Skala Transfer Manusia-ke-Robot yang Pertama

Dyna Robotics melaporkan apa yang disebut sebagai hukum skala transfer lintas-embodiment pertama dalam manipulasi . Temuan ini signifikan karena menunjukkan bahwa memperbesar data video manusia menghasilkan peningkatan yang dapat diprediksi dan monoton dalam performa robot — mirip dengan hukum skala yang mengubah model bahasa besar.

• Hukum skala pada data manusia: Di seluruh empat orde magnitudo (1K → 10K → 100K → 1M jam), semua metrik kualitas prediksi video meningkat secara monoton, digambarkan dengan baik oleh power law dengan tidak ada plateau yang diamati .

• Hukum skala ditransfer ke data robot yang belum pernah dilihat: Checkpoint yang sama diuji zero-shot pada 39 tugas robot yang berbeda di dua platform bimanual stasioner. Performa meningkat secara monoton seiring bertambahnya kumpulan video manusia pelatihan awal, sebelum fine-tuning spesifik robot . Satu analisis menunjukkan bahwa dengan menahan data berlabel tindakan tetap pada 50.000 jam dan menambahkan jam video saja, MSE tindakan robot zero-shot turun dari 0,340 menjadi 0,120 .

• Skala performa pasca-pelatihan: Setelah pasca-pelatihan, skor normalisasi rata-rata di 14 tugas robot naik dari 20% → 28% → 45% → 53% dari maksimum yang dapat dicapai seiring peningkatan skala pelatihan awal dari 1K menjadi 1M jam .

Peningkatan Tingkat Keberhasilan Tugas

Peningkatan performa DYNA-2 paling terlihat di tiga area utama:

• Manufaktur presisi tinggi: DYNA-2 meningkatkan tingkat keberhasilan tugas dari sekitar 20% menjadi 80–90% hanya melalui peningkatan skala pelatihan awal, tanpa perubahan pada data pasca-pelatihan . Ini adalah peningkatan 4x hingga 4,5x murni dari menonton lebih banyak video manusia.

• Penyebaran zero-shot pelanggan: Di lokasi pelanggan nyata, DYNA-2 mencapai tingkat lolos kualitas 87%, dibandingkan dengan 46% untuk pendahulunya berbasis VLA, DYNA-1 — peningkatan 41 poin dengan anggaran pasca-pelatihan yang sama . Dalam evaluasi fisik head-to-head dengan kondisi pelatihan yang identik, DYNA-2 menyelesaikan tugas daripada DYNA-1 dan memenangkan .

• Memutar tutup botol (13 menit data): Hanya dengan 13 menit data demonstrasi spesifik robot, DYNA-2 diadaptasi untuk mengendalikan sepasang tangan robotik dengan lima jari untuk memutar tutup botol . Laporan teknis perusahaan mengklarifikasi angka tersebut kira-kira data robot, dengan skala pelatihan awal meningkatkan keberhasilan dari 10% pada anggaran kecil menjadi 40–50% pada anggaran 1M jam penuh .

Implikasi untuk Masa Depan Robotika

Hasil DYNA-2 menantang asumsi umum bahwa robot memerlukan sejumlah besar data robot spesifik tugas. Dengan mendemonstrasikan hukum skala yang ditransfer dari video manusia ke perangkat keras robot, Dyna Robotics membuka jalur praktis menuju 10 juta jam data pelatihan — dengan potensi memungkinkan robot menguasai tugas fisik baru hanya dengan hitungan jam fine-tuning lokal . Model saat ini beroperasi sebagai sistem yang dioperasikan vendor; Dyna Robotics belum mengumumkan checkpoint publik, API, atau lisensi untuk DYNA-2 . Replikasi independen oleh komunitas riset robotika akan menjadi langkah berikutnya dalam memvalidasi hasil ini .

Arsitektur World-Action Model: Prediksi Video, Bukan Imitasi Tindakan

Arsitektur DYNA-2 dibangun di atas generasi video alih-alih adaptor Vision-Language-Action (VLA) yang mendominasi robotika . Selama pelatihan awal, model menjalankan dual objective: memprediksi frame video berikutnya dan tindakan berikutnya dari korpus video manusia . Pendekatan ini memungkinkan model membangun model internal fisika kontak dan penalaran spasial — mempelajari hubungan kausal antara tindakan dan konsekuensi fisiknya — yang dapat ditransfer ke berbagai bentuk robot tanpa pernah melihat robot selama pelatihan awal .

Korpus pelatihan awal: Perusahaan membangun empat subset bersarang video manusia egosentris — 1.000, 10.000, 100.000, dan 1.000.000 jam — dengan tidak ada data tindakan robot yang digunakan selama pelatihan awal . Setelah pelatihan awal, model di-fine-tune pada sejumlah kecil data robot nyata (hitungan jam atau bahkan menit) untuk mentransfer intuisi fisik yang dipelajari ke perangkat keras tertentu .

Hukum Skala Transfer Manusia-ke-Robot yang Pertama

Dyna Robotics melaporkan apa yang disebut sebagai hukum skala transfer lintas-embodiment pertama dalam manipulasi . Temuan ini signifikan karena menunjukkan bahwa memperbesar data video manusia menghasilkan peningkatan yang dapat diprediksi dan monoton dalam performa robot — mirip dengan hukum skala yang mengubah model bahasa besar.

• Hukum skala pada data manusia: Di seluruh empat orde magnitudo (1K → 10K → 100K → 1M jam), semua metrik kualitas prediksi video meningkat secara monoton, digambarkan dengan baik oleh power law dengan tidak ada plateau yang diamati .

• Hukum skala ditransfer ke data robot yang belum pernah dilihat: Checkpoint yang sama diuji zero-shot pada 39 tugas robot yang berbeda di dua platform bimanual stasioner. Performa meningkat secara monoton seiring bertambahnya kumpulan video manusia pelatihan awal, sebelum fine-tuning spesifik robot . Satu analisis menunjukkan bahwa dengan menahan data berlabel tindakan tetap pada 50.000 jam dan menambahkan jam video saja, MSE tindakan robot zero-shot turun dari 0,340 menjadi 0,120 .

• Skala performa pasca-pelatihan: Setelah pasca-pelatihan, skor normalisasi rata-rata di 14 tugas robot naik dari 20% → 28% → 45% → 53% dari maksimum yang dapat dicapai seiring peningkatan skala pelatihan awal dari 1K menjadi 1M jam .

Peningkatan Tingkat Keberhasilan Tugas

Peningkatan performa DYNA-2 paling terlihat di tiga area utama:

• Manufaktur presisi tinggi: DYNA-2 meningkatkan tingkat keberhasilan tugas dari sekitar 20% menjadi 80–90% hanya melalui peningkatan skala pelatihan awal, tanpa perubahan pada data pasca-pelatihan . Ini adalah peningkatan 4x hingga 4,5x murni dari menonton lebih banyak video manusia.

• Penyebaran zero-shot pelanggan: Di lokasi pelanggan nyata, DYNA-2 mencapai tingkat lolos kualitas 87%, dibandingkan dengan 46% untuk pendahulunya berbasis VLA, DYNA-1 — peningkatan 41 poin dengan anggaran pasca-pelatihan yang sama . Dalam evaluasi fisik head-to-head dengan kondisi pelatihan yang identik, DYNA-2 menyelesaikan tugas daripada DYNA-1 dan memenangkan .

• Memutar tutup botol (13 menit data): Hanya dengan 13 menit data demonstrasi spesifik robot, DYNA-2 diadaptasi untuk mengendalikan sepasang tangan robotik dengan lima jari untuk memutar tutup botol . Laporan teknis perusahaan mengklarifikasi angka tersebut kira-kira data robot, dengan skala pelatihan awal meningkatkan keberhasilan dari 10% pada anggaran kecil menjadi 40–50% pada anggaran 1M jam penuh .

Implikasi untuk Masa Depan Robotika

Hasil DYNA-2 menantang asumsi umum bahwa robot memerlukan sejumlah besar data robot spesifik tugas. Dengan mendemonstrasikan hukum skala yang ditransfer dari video manusia ke perangkat keras robot, Dyna Robotics membuka jalur praktis menuju 10 juta jam data pelatihan — dengan potensi memungkinkan robot menguasai tugas fisik baru hanya dengan hitungan jam fine-tuning lokal . Model saat ini beroperasi sebagai sistem yang dioperasikan vendor; Dyna Robotics belum mengumumkan checkpoint publik, API, atau lisensi untuk DYNA-2 . Replikasi independen oleh komunitas riset robotika akan menjadi langkah berikutnya dalam memvalidasi hasil ini .