世界動作模型架構：預測影片內容，而唔係死記硬背動作

DYNA-2 嘅核心係基於影片生成，唔係而家行內主流嘅「視覺-語言-動作（VLA）」模型 。喺預訓練階段，佢同時要做兩件事：預測下一格畫面同預測下一步動作，全部都係由人類影片數據學返嚟 。咁樣做令個模型可以自己建立一個關於接觸物理同空間推理嘅內部模型——即係學識動作同物理結果之間嘅因果關係——呢啲能力之後可以轉移到唔同類型嘅機械人身上，就算預訓練期間完全未見過任何機械人都得 。

預訓練數據庫：公司整咗四層遞增嘅人類第一身影片集——1,000 小時、10,000 小時、100,000 小時同 1,000,000 小時——預訓練期間完全冇用過任何機械人動作數據 。預訓練完之後，先用相對少量嘅真實機械人數據（幾個鐘甚至幾分鐘）做微調，將學到嘅物理直覺轉移到特定機械人硬體上 。

首個人類轉機械人嘅尺度定律

Dyna Robotics 話佢哋發現咗機械人操作領域首個跨本體轉移尺度定律 。呢個發現好重要，因為佢證明咗：只要睇更多人類影片，機械人嘅表現就會有可預測嘅、穩定嘅進步——呢個模式同大型語言模型嘅尺度定律好相似。

• 人類數據嘅尺度定律：由 1,000 小時到 100 萬小時，四個數量級嘅數據，所有影片預測質素指標都穩定上升，可以用冪定律完美描述，未見到高原期 。

• 定律轉移到未見過嘅機械人數據：用同樣嘅預訓練模型，零樣本測試 39 個唔同嘅機械人任務（用兩款固定雙臂平台）。結果係：預訓練用嘅人類影片越多，機械人嘅零樣本預測表現就越好，完全未做任何機械人專屬微調 。有分析顯示，如果固定動作標籤數據喺 50,000 小時，再額外加更多純影片數據，可以將零樣本機械人動作預測誤差由 0.340 降到 0.120 。

• 後訓練表現嘅尺度效應：後訓練之後，14 個機械人任務嘅平均標準化分數（以可達到嘅最高分為 100%），隨住預訓練時數由 1K 增加到 1M 小時，由 20% → 28% → 45% → 53% 。

任務成功率嘅驚人提升

DYNA-2 喺三個關鍵領域嘅表現最搶眼：

• 高精度製造：淨係靠加大預訓練規模，DYNA-2 將任務成功率由大約 20% 提升到 80–90%，完全冇改過後訓練數據 。即係純粹睇多啲人類影片，效果就提升咗 4 倍到 4.5 倍。

• 客戶現場零樣本部署：喺真實客戶場地，DYNA-2 嘅品質合格率達到 87%，相比之下上一代用 VLA 嘅 DYNA-1 只得 46%——即使後訓練預算一樣，都相差咗 41 個百分點 。喺面對面嘅物理測試入面，用相同訓練條件，DYNA-2 成功完成任務嘅次數係 DYNA-1 嘅 ，喺 65% 嘅比試中勝出 。

• 扭樽蓋（只需 13 分鐘數據）：用只有 13 分鐘嘅機械人專用示範數據，DYNA-2 就可以控制一對五手指靈巧機械手扭開樽蓋 。公司嘅技術報告澄清實際大約係 機械人數據，而成功率隨住預訓練規模由 1,000 小時增加到 100 萬小時，由 10% 提升到 40–50% 。

對機械人未來嘅啟示

DYNA-2 嘅成果挑戰咗一個普遍假設：機械人一定要靠大量任務專用嘅機械人數據。佢展示咗一個由人類影片轉移到機械人硬體嘅尺度定律，為機械人訓練打開咗一條實用路徑——將來可能做到 1000 萬小時嘅訓練數據，令機械人可以喺短短幾個鐘頭嘅本地微調內掌握新嘅物理任務 。目前呢個模型係由公司營運嘅系統；Dyna Robotics 未有公開提供任何 checkpoint、API 或授權 。下一步就要睇機械人研究界點樣獨立複製呢啲結果 。

世界動作模型架構：預測影片內容，而唔係死記硬背動作

DYNA-2 嘅核心係基於影片生成，唔係而家行內主流嘅「視覺-語言-動作（VLA）」模型 。喺預訓練階段，佢同時要做兩件事：預測下一格畫面同預測下一步動作，全部都係由人類影片數據學返嚟 。咁樣做令個模型可以自己建立一個關於接觸物理同空間推理嘅內部模型——即係學識動作同物理結果之間嘅因果關係——呢啲能力之後可以轉移到唔同類型嘅機械人身上，就算預訓練期間完全未見過任何機械人都得 。

預訓練數據庫：公司整咗四層遞增嘅人類第一身影片集——1,000 小時、10,000 小時、100,000 小時同 1,000,000 小時——預訓練期間完全冇用過任何機械人動作數據 。預訓練完之後，先用相對少量嘅真實機械人數據（幾個鐘甚至幾分鐘）做微調，將學到嘅物理直覺轉移到特定機械人硬體上 。

首個人類轉機械人嘅尺度定律

Dyna Robotics 話佢哋發現咗機械人操作領域首個跨本體轉移尺度定律 。呢個發現好重要，因為佢證明咗：只要睇更多人類影片，機械人嘅表現就會有可預測嘅、穩定嘅進步——呢個模式同大型語言模型嘅尺度定律好相似。

• 人類數據嘅尺度定律：由 1,000 小時到 100 萬小時，四個數量級嘅數據，所有影片預測質素指標都穩定上升，可以用冪定律完美描述，未見到高原期 。

• 定律轉移到未見過嘅機械人數據：用同樣嘅預訓練模型，零樣本測試 39 個唔同嘅機械人任務（用兩款固定雙臂平台）。結果係：預訓練用嘅人類影片越多，機械人嘅零樣本預測表現就越好，完全未做任何機械人專屬微調 。有分析顯示，如果固定動作標籤數據喺 50,000 小時，再額外加更多純影片數據，可以將零樣本機械人動作預測誤差由 0.340 降到 0.120 。

• 後訓練表現嘅尺度效應：後訓練之後，14 個機械人任務嘅平均標準化分數（以可達到嘅最高分為 100%），隨住預訓練時數由 1K 增加到 1M 小時，由 20% → 28% → 45% → 53% 。

任務成功率嘅驚人提升

DYNA-2 喺三個關鍵領域嘅表現最搶眼：

• 高精度製造：淨係靠加大預訓練規模，DYNA-2 將任務成功率由大約 20% 提升到 80–90%，完全冇改過後訓練數據 。即係純粹睇多啲人類影片，效果就提升咗 4 倍到 4.5 倍。

• 客戶現場零樣本部署：喺真實客戶場地，DYNA-2 嘅品質合格率達到 87%，相比之下上一代用 VLA 嘅 DYNA-1 只得 46%——即使後訓練預算一樣，都相差咗 41 個百分點 。喺面對面嘅物理測試入面，用相同訓練條件，DYNA-2 成功完成任務嘅次數係 DYNA-1 嘅 ，喺 65% 嘅比試中勝出 。

• 扭樽蓋（只需 13 分鐘數據）：用只有 13 分鐘嘅機械人專用示範數據，DYNA-2 就可以控制一對五手指靈巧機械手扭開樽蓋 。公司嘅技術報告澄清實際大約係 機械人數據，而成功率隨住預訓練規模由 1,000 小時增加到 100 萬小時，由 10% 提升到 40–50% 。

對機械人未來嘅啟示

DYNA-2 嘅成果挑戰咗一個普遍假設：機械人一定要靠大量任務專用嘅機械人數據。佢展示咗一個由人類影片轉移到機械人硬體嘅尺度定律，為機械人訓練打開咗一條實用路徑——將來可能做到 1000 萬小時嘅訓練數據，令機械人可以喺短短幾個鐘頭嘅本地微調內掌握新嘅物理任務 。目前呢個模型係由公司營運嘅系統；Dyna Robotics 未有公開提供任何 checkpoint、API 或授權 。下一步就要睇機械人研究界點樣獨立複製呢啲結果 。