DYNA-2: Robot Diajar Guna 1 Juta Jam Video Manusia — Hasilnya Menakjubkan
Dyna Robotics lancarkan DYNA 2 pada 10 Ogos 2026, model robot asas yang dilatih dengan lebih 1 juta jam video egosentrik manusia — bersamaan 170 tahun pengalaman berterusan — tanpa menggunakan data robotik semasa pra... DYNA 2 menggunakan arkitektur 'world action model' yang meramal bingkai video masa depan, berband...
Diterbitkan olehDisunting dengan DeepSeek-V4-FlashImej dijana dengan GPT Image 1.5
Dyna Robotics lancarkan DYNA 2 pada 10 Ogos 2026, model robot asas yang dilatih dengan lebih 1 juta jam video egosentrik manusia — bersamaan 170 tahun pengalaman berterusan — tanpa menggunakan data robotik semasa pra...
DYNA 2 menggunakan arkitektur 'world action model' yang meramal bingkai video masa depan, berbanding model VLA DYNA 1 yang memetakan persepsi terus kepada tindakan robot.
Dalam ujian perbandingan, DYNA 2 selesaikan tugas 1.55 kali lebih kerap berbanding DYNA 1, dengan kadar lulus 87% berbanding 46% di tapak pelanggan sebenar.
Kadar kejayaan tugas pembuatan ketepatan tinggi melonjak daripada 20% kepada 80 90% hanya dengan meningkatkan skala pra latihan, tanpa mengubah data pasca latihan.
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
Pada 10 Ogos 2026, Dyna Robotics telah melancarkan DYNA-2, satu model robot asas yang dipanggil "world-action model" (WAM). Syarikat itu mendakwa ia adalah model robot pertama yang menunjukkan hukum penskalaan (scaling law) sebenar yang dikuasakan sepenuhnya oleh data pemerhatian manusia, bukan data tindakan robot . Berikut adalah maksud pengumuman ini untuk dunia robotik, cara model ini dilatih, dan peningkatan prestasi yang dilaporkan oleh syarikat.
Apa Itu DYNA-2?
DYNA-2 adalah model pra-latihan yang direka untuk mengawal robot fizikal. Tidak seperti pendahulunya DYNA-1 yang menggunakan arkitektur vision-language-action (VLA) yang memetakan persepsi terus kepada tindakan robot, DYNA-2 belajar dengan . Dyna Robotics memanggilnya world-action model kerana robot itu membuat pertimbangan tentang akibat sebelum ia bergerak.
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: Robot Diajar Guna 1 Juta Jam Video Manusia — Hasilnya Menakjubkan"?
Dyna Robotics lancarkan DYNA 2 pada 10 Ogos 2026, model robot asas yang dilatih dengan lebih 1 juta jam video egosentrik manusia — bersamaan 170 tahun pengalaman berterusan — tanpa menggunakan data robotik semasa pra...
What are the key points to validate first?
Dyna Robotics lancarkan DYNA 2 pada 10 Ogos 2026, model robot asas yang dilatih dengan lebih 1 juta jam video egosentrik manusia — bersamaan 170 tahun pengalaman berterusan — tanpa menggunakan data robotik semasa pra... DYNA 2 menggunakan arkitektur 'world action model' yang meramal bingkai video masa depan, berbanding model VLA DYNA 1 yang memetakan persepsi terus kepada tindakan robot.
What should I do next in practice?
Dalam ujian perbandingan, DYNA 2 selesaikan tugas 1.55 kali lebih kerap berbanding DYNA 1, dengan kadar lulus 87% berbanding 46% di tapak pelanggan sebenar.
DYNA-2: Robot Diajar Guna 1 Juta Jam Video Manusia — Hasilnya Menakjubkan
Dyna Robotics lancarkan DYNA 2 pada 10 Ogos 2026, model robot asas yang dilatih dengan lebih 1 juta jam video egosentrik manusia — bersamaan 170 tahun pengalaman berterusan — tanpa menggunakan data robotik semasa pra... DYNA 2 menggunakan arkitektur 'world action model' yang meramal bingkai video masa depan, berband...
Diterbitkan olehDisunting dengan DeepSeek-V4-FlashImej dijana dengan GPT Image 1.5
Dyna Robotics lancarkan DYNA 2 pada 10 Ogos 2026, model robot asas yang dilatih dengan lebih 1 juta jam video egosentrik manusia — bersamaan 170 tahun pengalaman berterusan — tanpa menggunakan data robotik semasa pra...
DYNA 2 menggunakan arkitektur 'world action model' yang meramal bingkai video masa depan, berbanding model VLA DYNA 1 yang memetakan persepsi terus kepada tindakan robot.
Dalam ujian perbandingan, DYNA 2 selesaikan tugas 1.55 kali lebih kerap berbanding DYNA 1, dengan kadar lulus 87% berbanding 46% di tapak pelanggan sebenar.
Kadar kejayaan tugas pembuatan ketepatan tinggi melonjak daripada 20% kepada 80 90% hanya dengan meningkatkan skala pra latihan, tanpa mengubah data pasca latihan.
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
Pada 10 Ogos 2026, Dyna Robotics telah melancarkan DYNA-2, satu model robot asas yang dipanggil "world-action model" (WAM). Syarikat itu mendakwa ia adalah model robot pertama yang menunjukkan hukum penskalaan (scaling law) sebenar yang dikuasakan sepenuhnya oleh data pemerhatian manusia, bukan data tindakan robot . Berikut adalah maksud pengumuman ini untuk dunia robotik, cara model ini dilatih, dan peningkatan prestasi yang dilaporkan oleh syarikat.
Apa Itu DYNA-2?
DYNA-2 adalah model pra-latihan yang direka untuk mengawal robot fizikal. Tidak seperti pendahulunya DYNA-1 yang menggunakan arkitektur vision-language-action (VLA) yang memetakan persepsi terus kepada tindakan robot, DYNA-2 belajar dengan . Dyna Robotics memanggilnya world-action model kerana robot itu membuat pertimbangan tentang akibat sebelum ia bergerak.
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: Robot Diajar Guna 1 Juta Jam Video Manusia — Hasilnya Menakjubkan"?
Dyna Robotics lancarkan DYNA 2 pada 10 Ogos 2026, model robot asas yang dilatih dengan lebih 1 juta jam video egosentrik manusia — bersamaan 170 tahun pengalaman berterusan — tanpa menggunakan data robotik semasa pra...
What are the key points to validate first?
Dyna Robotics lancarkan DYNA 2 pada 10 Ogos 2026, model robot asas yang dilatih dengan lebih 1 juta jam video egosentrik manusia — bersamaan 170 tahun pengalaman berterusan — tanpa menggunakan data robotik semasa pra... DYNA 2 menggunakan arkitektur 'world action model' yang meramal bingkai video masa depan, berbanding model VLA DYNA 1 yang memetakan persepsi terus kepada tindakan robot.
What should I do next in practice?
Dalam ujian perbandingan, DYNA 2 selesaikan tugas 1.55 kali lebih kerap berbanding DYNA 1, dengan kadar lulus 87% berbanding 46% di tapak pelanggan sebenar.
meramal bingkai video masa depan daripada bingkai lepas
Cara DYNA-2 Dilatih
Saiz dan Sumber Set Data
Set data latihan terdiri daripada lebih 1,000,000 jam video egosentrik (orang pertama) manusia — bersamaan kira-kira 170 tahun pengalaman sedar berterusan . Video-video itu merakam tugas manipulasi harian seperti memasak, melipat, memasang, dan membersih . Tiada data tindakan robot digunakan semasa pra-latihan; data robot hanya diperkenalkan semasa peringkat pasca-latihan atau penalaan halus yang kecil, biasanya 10 jam atau kurang setiap tugas .
Objektif Latihan
Semasa pra-latihan, DYNA-2 menggunakan objektif ramalan video — belajar meramal bingkai video masa depan daripada pemerhatian lepas — digabungkan dengan algoritma ko-latihan video yang secara bersama mempelajari perwakilan visual dan ramalan tindakan . Pendekatan ini berbeza dengan arkitektur VLA DYNA-1 yang memetakan persepsi terus kepada tindakan robot tanpa ramalan video perantaraan .
Syarikat menunjukkan penskalaan merentasi empat urutan magnitud, daripada 1,000 jam sehingga 1,000,000 jam data pra-latihan .
Peningkatan Prestasi Berbanding DYNA-1
Syarikat menjalankan perbandingan langsung antara DYNA-2 dan DYNA-1 dalam keadaan latihan yang sama dan penggunaan dunia sebenar.
Ujian Penanda Aras Perbandingan (7 tugas)
DYNA-2 menyelesaikan tugas 1.55 kali lebih kerap daripada DYNA-1 berasaskan VLA .
Dalam perbandingan berpasangan, DYNA-2 memenangi 65% percubaan berbanding 29% untuk DYNA-1 .
Keputusan Penanda Aras Agregat (14–15 tugas merentasi 3 jenis robot)
Prestasi normal min meningkat secara monoton dengan skala pra-latihan: 20% → 28% → 45% → 53% daripada maksimum yang boleh dicapai apabila data diskalakan daripada 1k → 10k → 100k → 1M jam . Pada skala 1M jam, DYNA-2 mencapai prestasi dunia sebenar terkuat pada 9 daripada 14 tugas. Peningkatan utama termasuk:
Membuka Kunci Kotak Kunci: daripada 0% kejayaan (sehingga 100k jam) kepada 90% kejayaan pada 1M jam .
Membuka Penutup Botol: daripada 10% kejayaan kepada 40–50% pada 1M jam, menggunakan hanya ~10 minit data pasca-latihan robot .
Pengambilan Minuman Sasaran (ikut arahan): meningkat daripada 58% kepada 83%.
Penggunaan Dunia Sebenar dalam Pembuatan dan Pelanggan
Tugas pembuatan ketepatan tinggi: kadar kejayaan melonjak daripada ~20% kepada 80–90% semata-mata melalui peningkatan skala pra-latihan, tanpa perubahan pada data pasca-latihan .
Penggunaan sifar-shot di tapak pelanggan: DYNA-2 mencapai kadar lulus kualiti 87% berbanding 46% untuk DYNA-1 — peningkatan 41 mata.
Algoritma ko-latihan video meningkatkan skor ikut arahan sebanyak 133% pada tugas yang memerlukan pergerakan berbeza sebagai respons kepada arahan pengguna .
Hukum Penskalaan yang Diperhatikan oleh Dyna Robotics
Dyna Robotics melaporkan apa yang dipanggil "hukum penskalaan sebenar pertama dalam robotik yang dikuasakan sepenuhnya oleh data manusia". Ciri-ciri utama:
Hukum penskalaan pemindahan manusia-ke-robot: Apabila jumlah pra-latihan video manusia egosentrik meningkat merentasi empat urutan magnitud (1k → 1M jam), prestasi robot pada perkakasan robot yang tidak pernah dilihat sebelumnya meningkat secara boleh ramal, monoton, dan log-linear — corak yang dikenal pasti syarikat sebagai hukum penskalaan .
Pemindahan merentasi jenis robot: Penskalaan berlaku merentasi dua jenis robot berbeza (platform dua tangan pegun dan prototaip separa humanoid) yang tidak pernah dilihat oleh model semasa pra-latihan .
Ramalan tindakan sifar-shot: Meningkatkan data video manusia juga meningkatkan keupayaan model untuk meramal tindakan pada data video robot terpencil yang tidak pernah ditunjukkan semasa latihan .
Syarikat secara jelas menyatakan bahawa ini adalah demonstrasi "pertama seumpamanya" bahawa penskalaan data pemerhatian manusia, bukan data tindakan robot, boleh menjadi paksi yang boleh dipercayai untuk meningkatkan kecerdasan robot fizikal .
Mengapa Ini Penting
Jika dakwaan ini terbukti benar melalui pengesahan bebas, Dyna Robotics telah menunjukkan laluan praktikal untuk menskalakan kecerdasan robot tanpa masalah kekangan data tindakan robot yang mahal untuk dikumpul. Video manusia wujud pada skala yang hampir tidak terhad. Syarikat itu berkata mereka sedang berusaha ke arah 10 juta jam data latihan, yang akan membolehkan robot menguasai tugas fizikal baharu dengan hanya beberapa jam penalaan halus tempatan .
meramal bingkai video masa depan daripada bingkai lepas
Cara DYNA-2 Dilatih
Saiz dan Sumber Set Data
Set data latihan terdiri daripada lebih 1,000,000 jam video egosentrik (orang pertama) manusia — bersamaan kira-kira 170 tahun pengalaman sedar berterusan . Video-video itu merakam tugas manipulasi harian seperti memasak, melipat, memasang, dan membersih . Tiada data tindakan robot digunakan semasa pra-latihan; data robot hanya diperkenalkan semasa peringkat pasca-latihan atau penalaan halus yang kecil, biasanya 10 jam atau kurang setiap tugas .
Objektif Latihan
Semasa pra-latihan, DYNA-2 menggunakan objektif ramalan video — belajar meramal bingkai video masa depan daripada pemerhatian lepas — digabungkan dengan algoritma ko-latihan video yang secara bersama mempelajari perwakilan visual dan ramalan tindakan . Pendekatan ini berbeza dengan arkitektur VLA DYNA-1 yang memetakan persepsi terus kepada tindakan robot tanpa ramalan video perantaraan .
Syarikat menunjukkan penskalaan merentasi empat urutan magnitud, daripada 1,000 jam sehingga 1,000,000 jam data pra-latihan .
Peningkatan Prestasi Berbanding DYNA-1
Syarikat menjalankan perbandingan langsung antara DYNA-2 dan DYNA-1 dalam keadaan latihan yang sama dan penggunaan dunia sebenar.
Ujian Penanda Aras Perbandingan (7 tugas)
DYNA-2 menyelesaikan tugas 1.55 kali lebih kerap daripada DYNA-1 berasaskan VLA .
Dalam perbandingan berpasangan, DYNA-2 memenangi 65% percubaan berbanding 29% untuk DYNA-1 .
Keputusan Penanda Aras Agregat (14–15 tugas merentasi 3 jenis robot)
Prestasi normal min meningkat secara monoton dengan skala pra-latihan: 20% → 28% → 45% → 53% daripada maksimum yang boleh dicapai apabila data diskalakan daripada 1k → 10k → 100k → 1M jam . Pada skala 1M jam, DYNA-2 mencapai prestasi dunia sebenar terkuat pada 9 daripada 14 tugas. Peningkatan utama termasuk:
Membuka Kunci Kotak Kunci: daripada 0% kejayaan (sehingga 100k jam) kepada 90% kejayaan pada 1M jam .
Membuka Penutup Botol: daripada 10% kejayaan kepada 40–50% pada 1M jam, menggunakan hanya ~10 minit data pasca-latihan robot .
Pengambilan Minuman Sasaran (ikut arahan): meningkat daripada 58% kepada 83%.
Penggunaan Dunia Sebenar dalam Pembuatan dan Pelanggan
Tugas pembuatan ketepatan tinggi: kadar kejayaan melonjak daripada ~20% kepada 80–90% semata-mata melalui peningkatan skala pra-latihan, tanpa perubahan pada data pasca-latihan .
Penggunaan sifar-shot di tapak pelanggan: DYNA-2 mencapai kadar lulus kualiti 87% berbanding 46% untuk DYNA-1 — peningkatan 41 mata.
Algoritma ko-latihan video meningkatkan skor ikut arahan sebanyak 133% pada tugas yang memerlukan pergerakan berbeza sebagai respons kepada arahan pengguna .
Hukum Penskalaan yang Diperhatikan oleh Dyna Robotics
Dyna Robotics melaporkan apa yang dipanggil "hukum penskalaan sebenar pertama dalam robotik yang dikuasakan sepenuhnya oleh data manusia". Ciri-ciri utama:
Hukum penskalaan pemindahan manusia-ke-robot: Apabila jumlah pra-latihan video manusia egosentrik meningkat merentasi empat urutan magnitud (1k → 1M jam), prestasi robot pada perkakasan robot yang tidak pernah dilihat sebelumnya meningkat secara boleh ramal, monoton, dan log-linear — corak yang dikenal pasti syarikat sebagai hukum penskalaan .
Pemindahan merentasi jenis robot: Penskalaan berlaku merentasi dua jenis robot berbeza (platform dua tangan pegun dan prototaip separa humanoid) yang tidak pernah dilihat oleh model semasa pra-latihan .
Ramalan tindakan sifar-shot: Meningkatkan data video manusia juga meningkatkan keupayaan model untuk meramal tindakan pada data video robot terpencil yang tidak pernah ditunjukkan semasa latihan .
Syarikat secara jelas menyatakan bahawa ini adalah demonstrasi "pertama seumpamanya" bahawa penskalaan data pemerhatian manusia, bukan data tindakan robot, boleh menjadi paksi yang boleh dipercayai untuk meningkatkan kecerdasan robot fizikal .
Mengapa Ini Penting
Jika dakwaan ini terbukti benar melalui pengesahan bebas, Dyna Robotics telah menunjukkan laluan praktikal untuk menskalakan kecerdasan robot tanpa masalah kekangan data tindakan robot yang mahal untuk dikumpul. Video manusia wujud pada skala yang hampir tidak terhad. Syarikat itu berkata mereka sedang berusaha ke arah 10 juta jam data latihan, yang akan membolehkan robot menguasai tugas fizikal baharu dengan hanya beberapa jam penalaan halus tempatan .
