Dyna Robotics发布Dyna-2：用100万小时人类视频预训练的世界动作模型

一句话看懂

Dyna Robotics发布Dyna-2，一个基于100万小时人类视频预训练的世界动作模型，显著提升机器人操作能力，但仅通过其商业系统部署，不开放权重。

详细发生了什么

Dyna Robotics推出了Dyna-2，这是一个用于机器人操作的世界动作模型（WAM）。预训练数据超过100万小时的以自我为中心的人类视频，相当于约170年的连续清醒经验。研究团队构建了从1000到100万小时的数据阶梯，验证了三个关键结果：人类数据上的缩放定律、该定律向未见机器人数据的首次迁移，以及视频预测驱动跨实体泛化的证据。

架构上，Dyna-2采用混合Transformer。视频和动作分别token化，使用不同的DiT层堆栈相互关注。训练采用flow matching，视频损失和动作损失共享主干。推理时，策略保持反应式，不生成或关注预测的未来视频。

在机器人测试中，每个阶梯在14个任务上微调，每个任务最多10小时机器人数据，跨三种实体。平均归一化得分从20%提升至53%，在100万小时时在9/14任务上最佳。与Dyna-1相比，早期Dyna-2在7个任务上成功率提高1.55倍，等级提高1.12倍。蒸馏流程将视频采样时间从10,203毫秒降至110毫秒（单张H100）。

中文圈视角

对于中文圈的机器人研究者和开发者，Dyna-2的发布传递了几个重要信号。首先，它验证了人类视频数据在机器人学习中的巨大潜力，这为国内类似工作（如智元机器人、宇树科技等）提供了方向参考。其次，Dyna-2不开放权重，仅通过商业系统部署，这意味着国内团队无法直接复现或微调，可能需要依赖自研或寻找替代方案。

从应用场景看，Dyna-2聚焦于酒店、餐饮、洗衣房等重复性操作任务，这些场景在国内同样存在大量需求，但国内机器人公司更倾向于端到端部署，且数据隐私和合规要求可能限制使用外部预训练模型。此外，Dyna-2的缩放定律表明，数据规模是关键，这提示国内团队应重视数据积累，尤其是人类操作视频的采集。

几条值得记住的细节

• 预训练数据：超过100万小时人类视频，约170年连续经验。
• 缩放定律：人类数据上MSE=0.0691·D^-0.0184（R²=0.919），机器人数据上MSE=0.306·D^-0.0713（R²=0.884）。
• 关键转折：在10k到100k小时之间出现性能拐点。
• 部署方式：仅通过Dyna机器人单元提供，无公开checkpoint、API或许可证。
• 性能提升：与Dyna-1相比，成功率1.55倍，等级1.12倍；蒸馏后视频采样时间从10,203ms降至110ms。

一句话总结

Dyna-2证明了人类视频数据可规模化驱动机器人学习，但封闭部署提醒中文圈需自建数据与模型。