Robotlara İnsan Videosuyla Eğitim: DYNA-2 ve Çığır Açan Ölçekleme Yasası
Dyna Robotics, 10 Ağustos 2026'da DYNA 2'yi tanıttı; bu model, 1 milyon saatten fazla insan videosuyla eğitilen bir 'dünya eylem modeli' (WAM) ve robotik alanında ilk kez insan verisiyle bir ölçekleme yasası gösterdiğ... DYNA 2, öncülü DYNA 1'den farklı olarak, gelecekteki video karelerini tahmin ederek çalışıyor ve...
YayımlayanDeepSeek-V4-Flash ile düzenlendiGörseller GPT Image 1.5 ile oluşturuldu
Dyna Robotics, 10 Ağustos 2026'da DYNA 2'yi tanıttı; bu model, 1 milyon saatten fazla insan videosuyla eğitilen bir 'dünya eylem modeli' (WAM) ve robotik alanında ilk kez insan verisiyle bir ölçekleme yasası gösterdiğ...
DYNA 2, öncülü DYNA 1'den farklı olarak, gelecekteki video karelerini tahmin ederek çalışıyor ve bu sayede görevleri 1,55 kat daha fazla tamamlama başarısı gösteriyor.
Yüksek hassasiyetli üretim görevlerinde başarı oranı %20'den %80 90'a yükselirken, bir müşteri sahasında yapılan sıfır şut testinde DYNA 2, %87 kalite geçiş oranıyla DYNA 1'in %46'lık oranını açık ara geride bıraktı.
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
10 Ağustos 2026'da Dyna Robotics, DYNA-2'yi tanıttı. Şirketin 'dünya-eylem modeli' (WAM) olarak adlandırdığı bu yeni robot temel modeli, tamamen insan gözlem verileriyle, yani robot hareket verileriyle değil, insan videolarıyla eğitilerek bir ölçekleme yasası gösteren ilk robot modeli olduğunu iddia ediyor . İşte bu duyurunun robotik dünyası için anlamı, modelin nasıl eğitildiği ve şirketin raporladığı performans kazanımları.
DYNA-2 Nedir?
DYNA-2, fiziksel robotları kontrol etmek için tasarlanmış ön eğitimli bir modeldir. Selefi DYNA-1, algıyı doğrudan robot eylemlerine dönüştüren bir görsel-dil-eylem (VLA) mimarisi kullanırken, DYNA-2 öğreniyor . Dyna Robotics buna 'dünya-eylem modeli' adını veriyor çünkü robot, hareket etmeden önce sonuçları üzerinde akıl yürütüyor.
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 "Robotlara İnsan Videosuyla Eğitim: DYNA-2 ve Çığır Açan Ölçekleme Yasası"?
Dyna Robotics, 10 Ağustos 2026'da DYNA 2'yi tanıttı; bu model, 1 milyon saatten fazla insan videosuyla eğitilen bir 'dünya eylem modeli' (WAM) ve robotik alanında ilk kez insan verisiyle bir ölçekleme yasası gösterdiğ...
What are the key points to validate first?
Dyna Robotics, 10 Ağustos 2026'da DYNA 2'yi tanıttı; bu model, 1 milyon saatten fazla insan videosuyla eğitilen bir 'dünya eylem modeli' (WAM) ve robotik alanında ilk kez insan verisiyle bir ölçekleme yasası gösterdiğ... DYNA 2, öncülü DYNA 1'den farklı olarak, gelecekteki video karelerini tahmin ederek çalışıyor ve bu sayede görevleri 1,55 kat daha fazla tamamlama başarısı gösteriyor.
What should I do next in practice?
Yüksek hassasiyetli üretim görevlerinde başarı oranı %20'den %80 90'a yükselirken, bir müşteri sahasında yapılan sıfır şut testinde DYNA 2, %87 kalite geçiş oranıyla DYNA 1'in %46'lık oranını açık ara geride bıraktı.
Robotlara İnsan Videosuyla Eğitim: DYNA-2 ve Çığır Açan Ölçekleme Yasası
Dyna Robotics, 10 Ağustos 2026'da DYNA 2'yi tanıttı; bu model, 1 milyon saatten fazla insan videosuyla eğitilen bir 'dünya eylem modeli' (WAM) ve robotik alanında ilk kez insan verisiyle bir ölçekleme yasası gösterdiğ... DYNA 2, öncülü DYNA 1'den farklı olarak, gelecekteki video karelerini tahmin ederek çalışıyor ve...
YayımlayanDeepSeek-V4-Flash ile düzenlendiGörseller GPT Image 1.5 ile oluşturuldu
Dyna Robotics, 10 Ağustos 2026'da DYNA 2'yi tanıttı; bu model, 1 milyon saatten fazla insan videosuyla eğitilen bir 'dünya eylem modeli' (WAM) ve robotik alanında ilk kez insan verisiyle bir ölçekleme yasası gösterdiğ...
DYNA 2, öncülü DYNA 1'den farklı olarak, gelecekteki video karelerini tahmin ederek çalışıyor ve bu sayede görevleri 1,55 kat daha fazla tamamlama başarısı gösteriyor.
Yüksek hassasiyetli üretim görevlerinde başarı oranı %20'den %80 90'a yükselirken, bir müşteri sahasında yapılan sıfır şut testinde DYNA 2, %87 kalite geçiş oranıyla DYNA 1'in %46'lık oranını açık ara geride bıraktı.
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
10 Ağustos 2026'da Dyna Robotics, DYNA-2'yi tanıttı. Şirketin 'dünya-eylem modeli' (WAM) olarak adlandırdığı bu yeni robot temel modeli, tamamen insan gözlem verileriyle, yani robot hareket verileriyle değil, insan videolarıyla eğitilerek bir ölçekleme yasası gösteren ilk robot modeli olduğunu iddia ediyor . İşte bu duyurunun robotik dünyası için anlamı, modelin nasıl eğitildiği ve şirketin raporladığı performans kazanımları.
DYNA-2 Nedir?
DYNA-2, fiziksel robotları kontrol etmek için tasarlanmış ön eğitimli bir modeldir. Selefi DYNA-1, algıyı doğrudan robot eylemlerine dönüştüren bir görsel-dil-eylem (VLA) mimarisi kullanırken, DYNA-2 öğreniyor . Dyna Robotics buna 'dünya-eylem modeli' adını veriyor çünkü robot, hareket etmeden önce sonuçları üzerinde akıl yürütüyor.
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 "Robotlara İnsan Videosuyla Eğitim: DYNA-2 ve Çığır Açan Ölçekleme Yasası"?
Dyna Robotics, 10 Ağustos 2026'da DYNA 2'yi tanıttı; bu model, 1 milyon saatten fazla insan videosuyla eğitilen bir 'dünya eylem modeli' (WAM) ve robotik alanında ilk kez insan verisiyle bir ölçekleme yasası gösterdiğ...
What are the key points to validate first?
Dyna Robotics, 10 Ağustos 2026'da DYNA 2'yi tanıttı; bu model, 1 milyon saatten fazla insan videosuyla eğitilen bir 'dünya eylem modeli' (WAM) ve robotik alanında ilk kez insan verisiyle bir ölçekleme yasası gösterdiğ... DYNA 2, öncülü DYNA 1'den farklı olarak, gelecekteki video karelerini tahmin ederek çalışıyor ve bu sayede görevleri 1,55 kat daha fazla tamamlama başarısı gösteriyor.
What should I do next in practice?
Yüksek hassasiyetli üretim görevlerinde başarı oranı %20'den %80 90'a yükselirken, bir müşteri sahasında yapılan sıfır şut testinde DYNA 2, %87 kalite geçiş oranıyla DYNA 1'in %46'lık oranını açık ara geride bıraktı.
geçmiş video karelerinden gelecekteki kareleri tahmin ederek
DYNA-2 Nasıl Eğitildi?
Veri Kümesi Boyutu ve Kaynağı
Eğitim veri kümesi, 1.000.000 saatten fazla birinci şahıs (egosentrik) insan videosundan oluşuyordu; bu da kabaca 170 yıllık sürekli uyanık deneyime eşdeğer . Videolar, yemek pişirme, katlama, montaj ve temizlik gibi günlük manipülasyon görevlerini içeriyordu . Ön eğitim sırasında hiçbir robot eylem verisi kullanılmadı; robot verileri yalnızca, görev başına genellikle 10 saat veya daha az olan küçük bir son eğitim veya ince ayar aşamasında devreye sokuldu .
Eğitim Hedefleri
Ön eğitim sırasında DYNA-2, video tahmin hedefini kullandı; yani geçmiş gözlemlerden gelecekteki video karelerini tahmin etmeyi öğrendi. Bu, görsel temsilleri ve eylem tahminini ortaklaşa öğrenen bir video ortak eğitim algoritması ile birleştirildi . Bu yaklaşım, ara video tahmini olmadan algıyı doğrudan robot eylemlerine dönüştüren DYNA-1'in VLA mimarisinin tam tersi bir yöntemdir .
Şirket, ölçeklendirmeyi 1.000 saatten 1.000.000 saate kadar dört büyüklük sırası boyunca gösterdi .
DYNA-1'e Göre Performans İyileştirmeleri
Şirket, DYNA-2 ve DYNA-1 arasında eşleşen eğitim koşulları ve gerçek dünya dağıtımları altında doğrudan karşılaştırmalar yaptı.
Birebir Karşılaştırmalı Test (7 görev)
DYNA-2, VLA tabanlı DYNA-1'e göre görevleri 1,55 kat daha sık tamamladı .
Toplu Kıyaslama Sonuçları (3 robot gövdesinde 14-15 görev)
Ön eğitim ölçeği arttıkça normalleştirilmiş ortalama performans düzenli bir artış gösterdi: 1k → 10k → 100k → 1M saat ölçeğinde ulaşılabilir maksimum değerin sırasıyla %20 → %28 → %45 → %53'üne ulaşıldı . 1 milyon saatlik ölçekte DYNA-2, 14 görevin 9'unda en güçlü gerçek dünya performansını elde etti . Önemli görev bazında iyileştirmeler şunları içeriyor:
Kilitli Kutu Anahtar Çevirme: (100k saate kadar) %0 başarıdan 1 milyon saatte %90 başarıya yükseldi .
Şişe Kapağı Açma: %10 başarıdan 1 milyon saatte %40-50 seviyesine çıktı; bunun için sadece ~10 dakikalık robot son eğitim verisi kullanıldı .
Hedefli İçecek Alma (dil takibi): %58'den %83'e yükseldi .
Gerçek Dünya Üretim ve Müşteri Dağıtımı
Yüksek hassasiyetli üretim görevleri: Başarı oranları, son eğitim verilerinde herhangi bir değişiklik yapılmadan, yalnızca ön eğitim ölçeğinin artırılmasıyla ~%20'den %80-90'a sıçradı .
Bir müşteri sahasında sıfır-şut dağıtım: DYNA-2, %87 kalite geçiş oranı kaydederken DYNA-1'in oranı %46 olarak gerçekleşti; bu 41 puanlık bir iyileşme anlamına geliyor .
Video ortak eğitim algoritması, kullanıcı komutlarına yanıt olarak farklı hareketler gerektiren görevlerde talimat takip puanlarını %133 oranında artırdı .
Dyna Robotics'in Gözlemlediği Ölçekleme Yasası
Dyna Robotics, "tamamen insan verisiyle çalışan robotikteki ilk gerçek ölçekleme yasası" olarak adlandırdığı bir bulguyu raporladı . Temel özellikler:
İnsandan robot'a aktarım ölçekleme yasası: Egosentrik insan videosu ön eğitiminin miktarı dört büyüklük sırası (1k → 1M saat) boyunca arttıkça, daha önce hiç görülmemiş robot donanımlarındaki performans tahmin edilebilir, düzenli ve log-doğrusal bir şekilde iyileşti; şirket bunu bir ölçekleme yasası olarak tanımlıyor .
Çapraz gövde aktarımı: Ölçekleme, ön eğitim sırasında modelin hiç görmediği iki farklı robot gövdesinde (sabit çift kollu bir platform ve yarı insansı bir prototip) geçerliliğini korudu .
Sıfır-şut eylem tahmini: İnsan videosu verilerini ölçeklendirmek, eğitim sırasında hiç gösterilmeyen saklı tutulan robot video verileri üzerinde eylemleri tahmin etme yeteneğini de geliştirdi .
Şirket, bunun, pahalı robot eylem verileri toplama darboğazı olmadan fiziksel robot zekasını geliştirmek için güvenilir bir eksen olarak insan gözlem verilerini ölçeklendirmenin "türünün ilk örneği" bir gösterim olduğunu açıkça belirtiyor .
Bu Neden Önemli?
Bu iddialar bağımsız doğrulamayla desteklenirse, Dyna Robotics robot zekasını ölçeklendirmek için pahalı robot eylem verileri toplama darboğazı olmadan pratik bir yol göstermiş olacak. İnsan videosu, etkili bir şekilde sınırsız ölçekte mevcut. Şirket, robotların yeni fiziksel görevlerde yalnızca saatler süren yerel ince ayarla ustalaşmasını sağlayacak olan 10 milyon saatlik eğitim verisine doğru ilerlediklerini söylüyor .
geçmiş video karelerinden gelecekteki kareleri tahmin ederek
DYNA-2 Nasıl Eğitildi?
Veri Kümesi Boyutu ve Kaynağı
Eğitim veri kümesi, 1.000.000 saatten fazla birinci şahıs (egosentrik) insan videosundan oluşuyordu; bu da kabaca 170 yıllık sürekli uyanık deneyime eşdeğer . Videolar, yemek pişirme, katlama, montaj ve temizlik gibi günlük manipülasyon görevlerini içeriyordu . Ön eğitim sırasında hiçbir robot eylem verisi kullanılmadı; robot verileri yalnızca, görev başına genellikle 10 saat veya daha az olan küçük bir son eğitim veya ince ayar aşamasında devreye sokuldu .
Eğitim Hedefleri
Ön eğitim sırasında DYNA-2, video tahmin hedefini kullandı; yani geçmiş gözlemlerden gelecekteki video karelerini tahmin etmeyi öğrendi. Bu, görsel temsilleri ve eylem tahminini ortaklaşa öğrenen bir video ortak eğitim algoritması ile birleştirildi . Bu yaklaşım, ara video tahmini olmadan algıyı doğrudan robot eylemlerine dönüştüren DYNA-1'in VLA mimarisinin tam tersi bir yöntemdir .
Şirket, ölçeklendirmeyi 1.000 saatten 1.000.000 saate kadar dört büyüklük sırası boyunca gösterdi .
DYNA-1'e Göre Performans İyileştirmeleri
Şirket, DYNA-2 ve DYNA-1 arasında eşleşen eğitim koşulları ve gerçek dünya dağıtımları altında doğrudan karşılaştırmalar yaptı.
Birebir Karşılaştırmalı Test (7 görev)
DYNA-2, VLA tabanlı DYNA-1'e göre görevleri 1,55 kat daha sık tamamladı .
Toplu Kıyaslama Sonuçları (3 robot gövdesinde 14-15 görev)
Ön eğitim ölçeği arttıkça normalleştirilmiş ortalama performans düzenli bir artış gösterdi: 1k → 10k → 100k → 1M saat ölçeğinde ulaşılabilir maksimum değerin sırasıyla %20 → %28 → %45 → %53'üne ulaşıldı . 1 milyon saatlik ölçekte DYNA-2, 14 görevin 9'unda en güçlü gerçek dünya performansını elde etti . Önemli görev bazında iyileştirmeler şunları içeriyor:
Kilitli Kutu Anahtar Çevirme: (100k saate kadar) %0 başarıdan 1 milyon saatte %90 başarıya yükseldi .
Şişe Kapağı Açma: %10 başarıdan 1 milyon saatte %40-50 seviyesine çıktı; bunun için sadece ~10 dakikalık robot son eğitim verisi kullanıldı .
Hedefli İçecek Alma (dil takibi): %58'den %83'e yükseldi .
Gerçek Dünya Üretim ve Müşteri Dağıtımı
Yüksek hassasiyetli üretim görevleri: Başarı oranları, son eğitim verilerinde herhangi bir değişiklik yapılmadan, yalnızca ön eğitim ölçeğinin artırılmasıyla ~%20'den %80-90'a sıçradı .
Bir müşteri sahasında sıfır-şut dağıtım: DYNA-2, %87 kalite geçiş oranı kaydederken DYNA-1'in oranı %46 olarak gerçekleşti; bu 41 puanlık bir iyileşme anlamına geliyor .
Video ortak eğitim algoritması, kullanıcı komutlarına yanıt olarak farklı hareketler gerektiren görevlerde talimat takip puanlarını %133 oranında artırdı .
Dyna Robotics'in Gözlemlediği Ölçekleme Yasası
Dyna Robotics, "tamamen insan verisiyle çalışan robotikteki ilk gerçek ölçekleme yasası" olarak adlandırdığı bir bulguyu raporladı . Temel özellikler:
İnsandan robot'a aktarım ölçekleme yasası: Egosentrik insan videosu ön eğitiminin miktarı dört büyüklük sırası (1k → 1M saat) boyunca arttıkça, daha önce hiç görülmemiş robot donanımlarındaki performans tahmin edilebilir, düzenli ve log-doğrusal bir şekilde iyileşti; şirket bunu bir ölçekleme yasası olarak tanımlıyor .
Çapraz gövde aktarımı: Ölçekleme, ön eğitim sırasında modelin hiç görmediği iki farklı robot gövdesinde (sabit çift kollu bir platform ve yarı insansı bir prototip) geçerliliğini korudu .
Sıfır-şut eylem tahmini: İnsan videosu verilerini ölçeklendirmek, eğitim sırasında hiç gösterilmeyen saklı tutulan robot video verileri üzerinde eylemleri tahmin etme yeteneğini de geliştirdi .
Şirket, bunun, pahalı robot eylem verileri toplama darboğazı olmadan fiziksel robot zekasını geliştirmek için güvenilir bir eksen olarak insan gözlem verilerini ölçeklendirmenin "türünün ilk örneği" bir gösterim olduğunu açıkça belirtiyor .
Bu Neden Önemli?
Bu iddialar bağımsız doğrulamayla desteklenirse, Dyna Robotics robot zekasını ölçeklendirmek için pahalı robot eylem verileri toplama darboğazı olmadan pratik bir yol göstermiş olacak. İnsan videosu, etkili bir şekilde sınırsız ölçekte mevcut. Şirket, robotların yeni fiziksel görevlerde yalnızca saatler süren yerel ince ayarla ustalaşmasını sağlayacak olan 10 milyon saatlik eğitim verisine doğru ilerlediklerini söylüyor .
