DYNA-2: Модель світу-дії, що навчила роботів завдяки людському досвіду
Dyna Robotics представила DYNA 2 — модель світу дії, попередньо навчену на понад 1 мільйоні годин егоцентричного людського відео, що еквівалентно приблизно 170 рокам безперервного досвіду. Модель демонструє перший в історії закон масштабування в робототехніці, заснований виключно на людських даних: зі збільшенням об...
ОпублікувавВідредаговано за допомогою DeepSeek-V4-FlashЗображення створено за допомогою GPT Image 1.5
Dyna Robotics представила DYNA 2 — модель світу дії, попередньо навчену на понад 1 мільйоні годин егоцентричного людського відео, що еквівалентно приблизно 170 рокам безперервного досвіду.
Модель демонструє перший в історії закон масштабування в робототехніці, заснований виключно на людських даних: зі збільшенням обсягу відео продуктивність робота покращується передбачувано та монотонно.
У тестах DYNA 2 виконувала завдання в 1,55 раза частіше, ніж попередня модель DYNA 1, а на реальному виробництві досягла 87% прохідного рівня якості проти 46%.
Закон масштабування підтверджено на чотирьох порядках величини (від 1 000 до 1 000 000 годин) та на двох різних типах роботів, які модель раніше не бачила.
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 серпня 2026 року компанія Dyna Robotics представила DYNA-2 — фундаментальну модель робота, яку вона називає «моделлю світу-дії» (World-Action Model, WAM). Компанія стверджує, що це перша роботизована модель, яка демонструє справжній закон масштабування, що ґрунтується виключно на даних спостережень за людьми, а не на даних про дії роботів . Розбираємося, що це означає для робототехніки, як навчали модель та яких результатів вона досягла.
Що таке DYNA-2?
DYNA-2 — це попередньо навчена модель, призначена для керування фізичними роботами. На відміну від свого попередника DYNA-1, який використовував архітектуру «зір-мова-дія» (Vision-Language-Action, VLA), що безпосередньо перетворює сприйняття на дії робота, DYNA-2 навчається, . Dyna Robotics називає такий підхід моделлю світу-дії, оскільки робот спочатку осмислює наслідки, а потім рухається.
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: Модель світу-дії, що навчила роботів завдяки людському досвіду"?
Dyna Robotics представила DYNA 2 — модель світу дії, попередньо навчену на понад 1 мільйоні годин егоцентричного людського відео, що еквівалентно приблизно 170 рокам безперервного досвіду.
What are the key points to validate first?
Dyna Robotics представила DYNA 2 — модель світу дії, попередньо навчену на понад 1 мільйоні годин егоцентричного людського відео, що еквівалентно приблизно 170 рокам безперервного досвіду. Модель демонструє перший в історії закон масштабування в робототехніці, заснований виключно на людських даних: зі збільшенням обсягу відео продуктивність робота покращується передбачувано та монотонно.
What should I do next in practice?
У тестах DYNA 2 виконувала завдання в 1,55 раза частіше, ніж попередня модель DYNA 1, а на реальному виробництві досягла 87% прохідного рівня якості проти 46%.
DYNA-2: Модель світу-дії, що навчила роботів завдяки людському досвіду
Dyna Robotics представила DYNA 2 — модель світу дії, попередньо навчену на понад 1 мільйоні годин егоцентричного людського відео, що еквівалентно приблизно 170 рокам безперервного досвіду. Модель демонструє перший в історії закон масштабування в робототехніці, заснований виключно на людських даних: зі збільшенням об...
ОпублікувавВідредаговано за допомогою DeepSeek-V4-FlashЗображення створено за допомогою GPT Image 1.5
Dyna Robotics представила DYNA 2 — модель світу дії, попередньо навчену на понад 1 мільйоні годин егоцентричного людського відео, що еквівалентно приблизно 170 рокам безперервного досвіду.
Модель демонструє перший в історії закон масштабування в робототехніці, заснований виключно на людських даних: зі збільшенням обсягу відео продуктивність робота покращується передбачувано та монотонно.
У тестах DYNA 2 виконувала завдання в 1,55 раза частіше, ніж попередня модель DYNA 1, а на реальному виробництві досягла 87% прохідного рівня якості проти 46%.
Закон масштабування підтверджено на чотирьох порядках величини (від 1 000 до 1 000 000 годин) та на двох різних типах роботів, які модель раніше не бачила.
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 серпня 2026 року компанія Dyna Robotics представила DYNA-2 — фундаментальну модель робота, яку вона називає «моделлю світу-дії» (World-Action Model, WAM). Компанія стверджує, що це перша роботизована модель, яка демонструє справжній закон масштабування, що ґрунтується виключно на даних спостережень за людьми, а не на даних про дії роботів . Розбираємося, що це означає для робототехніки, як навчали модель та яких результатів вона досягла.
Що таке DYNA-2?
DYNA-2 — це попередньо навчена модель, призначена для керування фізичними роботами. На відміну від свого попередника DYNA-1, який використовував архітектуру «зір-мова-дія» (Vision-Language-Action, VLA), що безпосередньо перетворює сприйняття на дії робота, DYNA-2 навчається, . Dyna Robotics називає такий підхід моделлю світу-дії, оскільки робот спочатку осмислює наслідки, а потім рухається.
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: Модель світу-дії, що навчила роботів завдяки людському досвіду"?
Dyna Robotics представила DYNA 2 — модель світу дії, попередньо навчену на понад 1 мільйоні годин егоцентричного людського відео, що еквівалентно приблизно 170 рокам безперервного досвіду.
What are the key points to validate first?
Dyna Robotics представила DYNA 2 — модель світу дії, попередньо навчену на понад 1 мільйоні годин егоцентричного людського відео, що еквівалентно приблизно 170 рокам безперервного досвіду. Модель демонструє перший в історії закон масштабування в робототехніці, заснований виключно на людських даних: зі збільшенням обсягу відео продуктивність робота покращується передбачувано та монотонно.
What should I do next in practice?
У тестах DYNA 2 виконувала завдання в 1,55 раза частіше, ніж попередня модель DYNA 1, а на реальному виробництві досягла 87% прохідного рівня якості проти 46%.
передбачаючи майбутні кадри відео на основі минулих
Як навчали DYNA-2
Розмір та джерело набору даних
Навчальний набір даних складався з понад 1 000 000 годин егоцентричного (від першої особи) людського відео — що еквівалентно приблизно 170 рокам безперервного активного досвіду . Відео фіксували повсякденні маніпуляційні завдання: приготування їжі, складання речей, збирання конструкцій та прибирання . Під час попереднього навчання не використовувалися жодні дані про дії роботів; дані від роботів вводилися лише на етапі пост-навчання або доналаштування, зазвичай не більше 10 годин на завдання .
Цілі навчання
Під час попереднього навчання DYNA-2 використовувала мету прогнозування відео — навчання передбачати майбутні кадри на основі минулих спостережень — у поєднанні з алгоритмом спільного навчання на відео, який одночасно вивчає візуальні представлення та прогнозування дій . Цей підхід контрастує з архітектурою VLA моделі DYNA-1, яка безпосередньо відображає сприйняття в дії робота без проміжного прогнозування відео .
Компанія продемонструвала масштабування в чотирьох порядках величини: від 1 000 годин до 1 000 000 годин попереднього навчання .
Покращення продуктивності порівняно з DYNA-1
Компанія провела прямі порівняння між DYNA-2 та DYNA-1 в однакових умовах навчання та реального використання.
Продуктивність у тестах (7 завдань)
DYNA-2 виконувала завдання в 1,55 раза частіше, ніж попередня модель на основі VLA .
У попарних порівняннях DYNA-2 перемагала у 65% спроб проти 29% у DYNA-1 .
Загальні результати тестування (14–15 завдань на 3 платформах роботів)
Середня нормалізована продуктивність монотонно зростала зі збільшенням обсягу попереднього навчання: 20% → 28% → 45% → 53% від досяжного максимуму при масштабуванні даних від 1 тис. → 10 тис. → 100 тис. → 1 млн годин . При 1 млн годин DYNA-2 досягла найкращої реальної продуктивності в 9 з 14 завдань. Ключові покращення:
Відкривання замкової скриньки ключем: з 0% успіху (до 100 тис. годин) до 90% успіху при 1 млн годин .
Відкручування кришки пляшки: з 10% успіху до 40–50% при 1 млн годин, використовуючи лише ~10 хвилин даних пост-навчання робота .
Пошук напою за командою: покращення з 58% до 83%.
Реальне виробництво та впровадження у клієнтів
Високоточні виробничі завдання: рівень успіху зріс з ~20% до 80–90% виключно завдяки збільшенню масштабу попереднього навчання, без змін у даних пост-навчання .
Розгортання на сайті клієнта без додаткового навчання: DYNA-2 показала 87% прохідного рівня якості порівняно з 46% у DYNA-1 — покращення на 41%.
Алгоритм спільного навчання на відео підвищив показники виконання інструкцій на 133% для завдань, що вимагають різних рухів залежно від команд користувача .
Закон масштабування, який відкрила Dyna Robotics
Dyna Robotics повідомила про те, що вона називає «першим справжнім законом масштабування в робототехніці, який повністю базується на людських даних». Ключові характеристики:
Закон масштабування передачі від людини до робота: Зі збільшенням обсягу попереднього навчання на егоцентричному людському відео в чотирьох порядках величини (1 тис. → 1 млн годин) продуктивність робота на незнайомому обладнанні покращувалася передбачувано, монотонно та логарифмічно-лінійно — патерн, який компанія ідентифікує як закон масштабування .
Перенесення між різними типами роботів: Масштабування підтвердилося на двох різних платформах роботів (стаціонарна двоплечова система та напівгуманоїдний прототип), які модель ніколи не бачила під час попереднього навчання .
Прогнозування дій без додаткового навчання: Збільшення обсягу людського відео також покращило здатність моделі прогнозувати дії на раніше невідомих даних роботів, які ніколи не показувалися під час навчання .
Компанія прямо заявляє, що це «перша в своєму роді» демонстрація того, що масштабування людських спостережних даних, а не даних про дії роботів, може слугувати надійною віссю для покращення фізичного інтелекту роботів .
Чому це важливо
Якщо заявлені результати підтвердяться незалежною верифікацією, Dyna Robotics показала практичний шлях до масштабування інтелекту роботів без вузького місця збору дорогих даних про дії роботів. Людське відео існує в практично необмежених масштабах. Компанія каже, що вже працює над набором даних у 10 мільйонів годин, що дозволить роботам освоювати нові фізичні завдання всього за кілька годин локального доналаштування .
передбачаючи майбутні кадри відео на основі минулих
Як навчали DYNA-2
Розмір та джерело набору даних
Навчальний набір даних складався з понад 1 000 000 годин егоцентричного (від першої особи) людського відео — що еквівалентно приблизно 170 рокам безперервного активного досвіду . Відео фіксували повсякденні маніпуляційні завдання: приготування їжі, складання речей, збирання конструкцій та прибирання . Під час попереднього навчання не використовувалися жодні дані про дії роботів; дані від роботів вводилися лише на етапі пост-навчання або доналаштування, зазвичай не більше 10 годин на завдання .
Цілі навчання
Під час попереднього навчання DYNA-2 використовувала мету прогнозування відео — навчання передбачати майбутні кадри на основі минулих спостережень — у поєднанні з алгоритмом спільного навчання на відео, який одночасно вивчає візуальні представлення та прогнозування дій . Цей підхід контрастує з архітектурою VLA моделі DYNA-1, яка безпосередньо відображає сприйняття в дії робота без проміжного прогнозування відео .
Компанія продемонструвала масштабування в чотирьох порядках величини: від 1 000 годин до 1 000 000 годин попереднього навчання .
Покращення продуктивності порівняно з DYNA-1
Компанія провела прямі порівняння між DYNA-2 та DYNA-1 в однакових умовах навчання та реального використання.
Продуктивність у тестах (7 завдань)
DYNA-2 виконувала завдання в 1,55 раза частіше, ніж попередня модель на основі VLA .
У попарних порівняннях DYNA-2 перемагала у 65% спроб проти 29% у DYNA-1 .
Загальні результати тестування (14–15 завдань на 3 платформах роботів)
Середня нормалізована продуктивність монотонно зростала зі збільшенням обсягу попереднього навчання: 20% → 28% → 45% → 53% від досяжного максимуму при масштабуванні даних від 1 тис. → 10 тис. → 100 тис. → 1 млн годин . При 1 млн годин DYNA-2 досягла найкращої реальної продуктивності в 9 з 14 завдань. Ключові покращення:
Відкривання замкової скриньки ключем: з 0% успіху (до 100 тис. годин) до 90% успіху при 1 млн годин .
Відкручування кришки пляшки: з 10% успіху до 40–50% при 1 млн годин, використовуючи лише ~10 хвилин даних пост-навчання робота .
Пошук напою за командою: покращення з 58% до 83%.
Реальне виробництво та впровадження у клієнтів
Високоточні виробничі завдання: рівень успіху зріс з ~20% до 80–90% виключно завдяки збільшенню масштабу попереднього навчання, без змін у даних пост-навчання .
Розгортання на сайті клієнта без додаткового навчання: DYNA-2 показала 87% прохідного рівня якості порівняно з 46% у DYNA-1 — покращення на 41%.
Алгоритм спільного навчання на відео підвищив показники виконання інструкцій на 133% для завдань, що вимагають різних рухів залежно від команд користувача .
Закон масштабування, який відкрила Dyna Robotics
Dyna Robotics повідомила про те, що вона називає «першим справжнім законом масштабування в робототехніці, який повністю базується на людських даних». Ключові характеристики:
Закон масштабування передачі від людини до робота: Зі збільшенням обсягу попереднього навчання на егоцентричному людському відео в чотирьох порядках величини (1 тис. → 1 млн годин) продуктивність робота на незнайомому обладнанні покращувалася передбачувано, монотонно та логарифмічно-лінійно — патерн, який компанія ідентифікує як закон масштабування .
Перенесення між різними типами роботів: Масштабування підтвердилося на двох різних платформах роботів (стаціонарна двоплечова система та напівгуманоїдний прототип), які модель ніколи не бачила під час попереднього навчання .
Прогнозування дій без додаткового навчання: Збільшення обсягу людського відео також покращило здатність моделі прогнозувати дії на раніше невідомих даних роботів, які ніколи не показувалися під час навчання .
Компанія прямо заявляє, що це «перша в своєму роді» демонстрація того, що масштабування людських спостережних даних, а не даних про дії роботів, може слугувати надійною віссю для покращення фізичного інтелекту роботів .
Чому це важливо
Якщо заявлені результати підтвердяться незалежною верифікацією, Dyna Robotics показала практичний шлях до масштабування інтелекту роботів без вузького місця збору дорогих даних про дії роботів. Людське відео існує в практично необмежених масштабах. Компанія каже, що вже працює над набором даних у 10 мільйонів годин, що дозволить роботам освоювати нові фізичні завдання всього за кілька годин локального доналаштування .
