Dyna Robotics、100万時間の人間ビデオで事前学習した世界行動モデル「Dyna-2」を発表

Dyna Roboticsは、ロボット操作のために設計されたワールドアクションモデルであるDyna-2を発表しました。このモデルは、100万時間以上の一人称視点の人間ビデオ、つまり約170年分の連続した覚醒経験に相当するデータで事前学習されています。このモデルは、ビデオとアクションのトークン化と処理を分離したトランスフォーマーの混合を使用し、フローマッチングを用いたビデオ拡散バックボーンを採用しています。同社は、3つの重要なスケーリング結果を報告しています。すなわち、スケーリング則が最大100万時間の人間データに当てはまること、この法則が39のタスクにわたる未見のロボットデータにゼロショットで転移すること、そしてビデオ予測（アクションデータではなく）がクロスエンボディメントの汎化を促進することです。3つのエンボディメントにわたる14のタスクでのロボット上でのポストトレーニングでは、データラダー全体で平均正規化スコアが20%から53%に増加し、特にLockbox Key Turningでは成功率が90%に達しました。Dyna-2はダウンロード可能な重みとしては提供されておらず、展開にはDynaロボットセルを購入する必要があります。このモデルは、同社の本番用VLAであるDyna-1を、ロボット上でのテストと未見の顧客サイトの両方で上回り、本番基準を87%の確率で通過しました（Dyna-1では46%）。技術レポートはさらに詳細な情報を提供しています。