Arquitetura World-Action Model: Predição de vídeo, não imitação de ações

A arquitetura do DYNA-2 é baseada em geração de vídeo, e não nos adaptadores Visão-Linguagem-Ação (VLA) que dominam a robótica atualmente . Durante o pré-treinamento, o modelo executa um objetivo duplo: ele prevê tanto o próximo quadro do vídeo quanto a próxima ação a partir do corpus de vídeos humanos . Essa abordagem permite que o modelo construa um modelo interno de física de contato e raciocínio espacial — aprendendo relações de causa e efeito entre ações e suas consequências físicas — que é transferido entre diferentes corpos robóticos sem nunca ter visto um robô durante o pré-treinamento .

Corpus de pré-treinamento: A empresa montou quatro subconjuntos hierárquicos de vídeo egocêntrico humano — 1.000, 10.000, 100.000 e 1.000.000 de horas — sem usar nenhum dado de ação robótica durante o pré-treinamento . Depois, o modelo é ajustado (fine-tuning) com uma quantidade relativamente pequena de dados reais de robôs (horas ou até minutos) para transferir a intuição física aprendida para um hardware específico .

A primeira lei de escala de transferência humano-robô

A Dyna Robotics reportou o que chama de primeira lei de escala de transferência entre diferentes corpos (cross-embodiment) em manipulação . A descoberta é significativa porque demonstra que escalar dados de vídeo humano produz melhorias previsíveis e monotônicas no desempenho do robô — espelhando as leis de escala que transformaram os grandes modelos de linguagem.

• Lei de escala em dados humanos: Em todas as quatro ordens de grandeza (1.000 → 10.000 → 100.000 → 1.000.000 de horas), todas as métricas de qualidade de predição de vídeo melhoraram monotonicamente, bem descritas por uma lei de potência sem platô observado .

• Lei se transfere para dados de robô nunca vistos: Os mesmos checkpoints foram avaliados zero-shot em 39 tarefas robóticas distintas em duas plataformas bimanuais estacionárias. O desempenho melhorou monotonicamente à medida que o pool de vídeo humano de pré-treinamento crescia, antes de qualquer ajuste fino específico para o robô . Uma análise mostrou que, mantendo os dados com rótulos de ação fixos em 50.000 horas e adicionando apenas horas de vídeo, o erro quadrático médio (MSE) da ação zero-shot do robô caiu de 0,340 para 0,120 .

• Escala de desempenho pós-treinamento: Após o pós-treinamento, a pontuação normalizada média em 14 tarefas robóticas subiu de 20% → 28% → 45% → 53% do máximo atingível, conforme a escala de pré-treinamento aumentava de 1.000 para 1.000.000 de horas .

Melhorias nas taxas de sucesso em tarefas

Os ganhos de desempenho do DYNA-2 são mais visíveis em três áreas:

• Manufatura de alta precisão: O DYNA-2 elevou as taxas de sucesso em tarefas de cerca de 20% para 80–90% apenas com o aumento da escala de pré-treinamento, sem qualquer alteração nos dados de pós-treinamento . Isso representa uma melhoria de 4x a 4,5x simplesmente por assistir a mais vídeos humanos.

• Implantações zero-shot em clientes: Em sites reais de clientes, o DYNA-2 alcançou uma taxa de aprovação de qualidade de 87%, contra 46% do seu antecessor DYNA-1, baseado em VLA — uma melhoria de 41 pontos percentuais com orçamentos de pós-treinamento equivalentes . Em avaliações físicas frente a frente com condições de treinamento idênticas, o DYNA-2 completou tarefas que o DYNA-1 e venceu .

• Abrir tampa de garrafa (13 minutos de dados): Com apenas 13 minutos de dados de demonstração específicos do robô, o DYNA-2 foi adaptado para comandar um par de mãos robóticas dextras de cinco dedos e abrir a tampa de uma garrafa . O relatório técnico da empresa esclarece que o valor foi de aproximadamente de dados robóticos, com a escala de pré-treinamento elevando o sucesso de 10% (com orçamentos menores) para 40–50% (com o orçamento total de 1.000.000 de horas) .

Implicações para o futuro da robótica

Os resultados do DYNA-2 desafiam a suposição dominante de que robôs precisam de grandes volumes de dados robóticos específicos para cada tarefa. Ao demonstrar uma lei de escala que transfere aprendizado de vídeo humano para hardware robótico, a Dyna Robotics abre um caminho prático para 10 milhões de horas de dados de treinamento — com o potencial de permitir que robôs dominem novas tarefas físicas com apenas horas de ajuste fino local . Atualmente, o modelo opera como um sistema gerenciado pelo fornecedor; a Dyna Robotics não anunciou checkpoint público, API ou licença para o DYNA-2 . A replicação independente pela comunidade de pesquisa em robótica será o próximo passo para validar esses resultados .

Arquitetura World-Action Model: Predição de vídeo, não imitação de ações

A arquitetura do DYNA-2 é baseada em geração de vídeo, e não nos adaptadores Visão-Linguagem-Ação (VLA) que dominam a robótica atualmente . Durante o pré-treinamento, o modelo executa um objetivo duplo: ele prevê tanto o próximo quadro do vídeo quanto a próxima ação a partir do corpus de vídeos humanos . Essa abordagem permite que o modelo construa um modelo interno de física de contato e raciocínio espacial — aprendendo relações de causa e efeito entre ações e suas consequências físicas — que é transferido entre diferentes corpos robóticos sem nunca ter visto um robô durante o pré-treinamento .

Corpus de pré-treinamento: A empresa montou quatro subconjuntos hierárquicos de vídeo egocêntrico humano — 1.000, 10.000, 100.000 e 1.000.000 de horas — sem usar nenhum dado de ação robótica durante o pré-treinamento . Depois, o modelo é ajustado (fine-tuning) com uma quantidade relativamente pequena de dados reais de robôs (horas ou até minutos) para transferir a intuição física aprendida para um hardware específico .

A primeira lei de escala de transferência humano-robô

A Dyna Robotics reportou o que chama de primeira lei de escala de transferência entre diferentes corpos (cross-embodiment) em manipulação . A descoberta é significativa porque demonstra que escalar dados de vídeo humano produz melhorias previsíveis e monotônicas no desempenho do robô — espelhando as leis de escala que transformaram os grandes modelos de linguagem.

• Lei de escala em dados humanos: Em todas as quatro ordens de grandeza (1.000 → 10.000 → 100.000 → 1.000.000 de horas), todas as métricas de qualidade de predição de vídeo melhoraram monotonicamente, bem descritas por uma lei de potência sem platô observado .

• Lei se transfere para dados de robô nunca vistos: Os mesmos checkpoints foram avaliados zero-shot em 39 tarefas robóticas distintas em duas plataformas bimanuais estacionárias. O desempenho melhorou monotonicamente à medida que o pool de vídeo humano de pré-treinamento crescia, antes de qualquer ajuste fino específico para o robô . Uma análise mostrou que, mantendo os dados com rótulos de ação fixos em 50.000 horas e adicionando apenas horas de vídeo, o erro quadrático médio (MSE) da ação zero-shot do robô caiu de 0,340 para 0,120 .

• Escala de desempenho pós-treinamento: Após o pós-treinamento, a pontuação normalizada média em 14 tarefas robóticas subiu de 20% → 28% → 45% → 53% do máximo atingível, conforme a escala de pré-treinamento aumentava de 1.000 para 1.000.000 de horas .

Melhorias nas taxas de sucesso em tarefas

Os ganhos de desempenho do DYNA-2 são mais visíveis em três áreas:

• Manufatura de alta precisão: O DYNA-2 elevou as taxas de sucesso em tarefas de cerca de 20% para 80–90% apenas com o aumento da escala de pré-treinamento, sem qualquer alteração nos dados de pós-treinamento . Isso representa uma melhoria de 4x a 4,5x simplesmente por assistir a mais vídeos humanos.

• Implantações zero-shot em clientes: Em sites reais de clientes, o DYNA-2 alcançou uma taxa de aprovação de qualidade de 87%, contra 46% do seu antecessor DYNA-1, baseado em VLA — uma melhoria de 41 pontos percentuais com orçamentos de pós-treinamento equivalentes . Em avaliações físicas frente a frente com condições de treinamento idênticas, o DYNA-2 completou tarefas que o DYNA-1 e venceu .

• Abrir tampa de garrafa (13 minutos de dados): Com apenas 13 minutos de dados de demonstração específicos do robô, o DYNA-2 foi adaptado para comandar um par de mãos robóticas dextras de cinco dedos e abrir a tampa de uma garrafa . O relatório técnico da empresa esclarece que o valor foi de aproximadamente de dados robóticos, com a escala de pré-treinamento elevando o sucesso de 10% (com orçamentos menores) para 40–50% (com o orçamento total de 1.000.000 de horas) .

Implicações para o futuro da robótica

Os resultados do DYNA-2 desafiam a suposição dominante de que robôs precisam de grandes volumes de dados robóticos específicos para cada tarefa. Ao demonstrar uma lei de escala que transfere aprendizado de vídeo humano para hardware robótico, a Dyna Robotics abre um caminho prático para 10 milhões de horas de dados de treinamento — com o potencial de permitir que robôs dominem novas tarefas físicas com apenas horas de ajuste fino local . Atualmente, o modelo opera como um sistema gerenciado pelo fornecedor; a Dyna Robotics não anunciou checkpoint público, API ou licença para o DYNA-2 . A replicação independente pela comunidade de pesquisa em robótica será o próximo passo para validar esses resultados .