DYNA-2

Dyna Robotics · 2026-08

기타2026年の新モデル非公開動画world model

一人称の人間動画100万時間以上で事前学習した世界行動モデル(WAM)である。

論文

バックボーンLLM: なし (動画拡散バックボーン)
ビジョンエンコーダ: —
アクションヘッド: 動画・アクションで別々のflow matching (動画world model)
チャンク: 非公開
制御周期: 非公開
構造の原文要約: 動画拡散バックボーン上のMoT(DiT層): 因果マスク付き動画トークン + 双方向アクショントークン、テキストは動画トークンにのみクロスアテンション; 動画・アクションで別々のフローマッチング速度場; 疑似アクションは3D手姿勢追跡(手首姿勢・把持信号)

事前学習アクセラレータ: 非公開
事前学習期間: 非公開
事前学習ステップ・バッチ: 非公開
GPU・TPU時間: 非公開
ファインチューニング: 非公開; ボトルキャップタスクのテレオペレーション約10分でファインチューニング(二次情報では13分)、現場でのローカルファインチューニングは数時間(二次情報)
データ種類: 人の動画(一人称)による事前学習 + 実ロボットのテレオペレーションによる事後学習
データ規模: 一人称の人間動画100万時間以上(1K・10K・100K・1M時間の入れ子部分集合でスケーリング); 事前学習にロボットフレームなし(二次情報)
主要データセット: 独自の一人称人間動画
タスク・評価: 14課題の平均正規化性能 1K 20%・10K 28%・100K 45%・1M時間 53%; 言語追従 96%; 顧客現場ゼロショット合格 Dyna-1 46%・Dyna-2 87%; early Dyna-2 対 Dyna-1 の直接対決 65% 対 29%(引き分け6%)、プーリング時のWAM成功率はVLAの1.55倍
ロボット: 双腕YAM (内部12 + 外部xdof ABC 27タスク)

主な特徴: 一人称の人間動画100万時間以上で事前学習した世界行動モデル(WAM)である。事前学習1K→1M時間でロボットの正規化性能が20%→53%に向上した。
備考: 修正反映: ノートの'WAM 65% vs VLA 29%'は原文上early Dyna-2対Dyna-1の直接対決(引き分け6%)。同じ段落のプーリング結果はWAMがVLA成功率の1.55倍・評価の1.12倍。公式ページ'August 2026'(二次情報では8月10日・11日)。指標はすべて自己報告。スケーリング適合: 人 MSE 0.0691·D^-0.0184(R² 0.919)。
検証: 修正反映