企业官网建设流程全解析

问题提出与实验设计：
预训练阶段更缺动作对齐还是世界覆盖？北大HumanScale给出反直觉回答：第一视角人类视频可能是更好的预训练数据源。作者固定模型架构、预训练时长、后训练数据，只替换预训练数据源，将HumanNet的5000h第一视角视频与同等规模机器人数据直接对比，后训练用AgibotWorld的15个任务，分Seen和Unseen评测。

核心结果与数据差异：
Seen任务两类预训练差距不大（loss 0.0067 vs 0.0071）；Unseen任务人类视频loss降至0.0204，机器人数据为0.0254，差距约20%。人类视频呈清晰scaling曲线（100h→5000h持续下降，R²达0.86/0.94），机器人数据更早饱和。同样100h，人类视频含45000条轨迹，机器人仅8000条，信息密度差异显著。

作者判断与真实机器人验证：
作者划分：预训练重coverage，后训练重alignment。机器人数据局限源于固定工作台、有限物体等结构性约束。真实AgiBot实验：人类视频预训练模型ID成功率92.5%，OOD 90.0%；无预训练基线ID仅40.0%，OOD完全失效（0.0%），且预训练模型损失比基线低约2.4倍。

边界与总结：
需注意：真实实验对比的是“有无人类视频预训练”，未与机器人数据预训练做同平台部署对比；结论基于WAM架构，迁移至VLA待验证。但HumanScale首次定量证明预训练阶段更广的数据覆盖比更强运动学对齐更重要。

🔗相关资料
论文：HumanScale: Egocentric Human Video Can Outperform Real-Robot Data for Embodied Pretraining
arXiv：https://arxiv.org/abs/2606.20521

✍️文章转载于知乎@梦落花
原文链接：https://zhuanlan.zhihu.com/p/2054905612228678573