VLA 图库 / 模型列表 / 2026年新增

DYNA-2

Dyna Robotics · 2026-08

기타2026年新增未公开视频world model

以100万小时以上第一人称人类视频预训练的世界动作模型(WAM)。

论文

Dyna-2: A 1-Million-Hour Scaling Law for World-Action Models报告

概述

分类

2026年新增

类型

기타

发布

2026-08

机构

Dyna Robotics

权重公开

否

参数

未公开

架构

主干LLM

无 (视频扩散主干)

视觉编码器

—

动作头

视频·动作分别flow matching (视频world model)

动作块

未公开

控制频率

未公开

架构原文摘要

视频扩散主干上的MoT(DiT层)：因果掩码视频token + 双向动作token，文本仅对视频token做交叉注意力；视频·动作分别使用flow matching速度场；伪动作来自3D手部位姿跟踪(手腕位姿·抓握信号)

训练

预训练加速器

未公开

预训练时长

未公开

预训练步数·批量

未公开

GPU·TPU-小时

未公开

微调

未公开；瓶盖任务以约10分钟遥操作微调（二手 13分钟），现场本地微调数小时（二手）

数据类型

人类视频(第一人称)预训练 + 真实机器人遥操作后训练

数据规模

第一人称人类视频100万小时以上(按1K·10K·100K·1M小时嵌套子集扩展)；预训练中无机器人帧(二手)

主要数据集

自有第一人称人类视频

任务·评估

14个任务平均归一化性能 1K 20%·10K 28%·100K 45%·1M小时 53%；语言遵循96%；客户现场零样本通过率 Dyna-1 46%·Dyna-2 87%；early Dyna-2对Dyna-1正面对决65%对29%(平局6%)，合并统计时WAM成功率为VLA的1.55倍

机器人

双臂YAM (内部12 + 外部xdof ABC 27项任务)

推理

推理设备·速度

通过1步视频生成蒸馏，3秒视频潜变量生成从10,203 ms→110 ms(H100，约90倍)

推理显存

未公开

权重 bf16（计算）

未公开

运行位置

未公开

强化学习与底盘

强化学习

未公开 · 训练方式细节未公开

底盘控制

固定 · 无底盘控制（固定式双臂YAM；半人形原型也未提及移动）

备注

核心特点

以100万小时以上第一人称人类视频预训练的世界动作模型(WAM)。预训练从1K→1M小时，机器人归一化性能从20%→53%。

备注

已反映修正：笔记中的'WAM 65% vs VLA 29%'在原文中是early Dyna-2对Dyna-1的直接对决(平局6%)。同段落的汇总结果为WAM达到VLA成功率的1.55倍·评级的1.12倍。官方页面'August 2026'(二手为8月10日·11日)。指标均为自报。缩放拟合：人类MSE 0.0691·D^-0.0184(R² 0.919)。

核验

已反映修正