第一人称人类视频被看作机器人操作先验的可扩展来源,但把原始数据规模转成可泛化策略,依赖数据整理与训练配方,而不是单纯堆量。该工作出现在 2026 年 11 月 4 日的 Hugging Face Daily Papers 列表中,作者将其称为首个完全开源、把第一人称预训练扩到 5 万小时的配方。支撑配方的是 Open-HumanScale-50K:经过整理、密标注手部运动与自然语言的第一人称视频。后续分别考察纯人类预训练与人机联合预训练,并在仿真基准上给出可核对的成功率。

纯人类预训练与缩放现象

作者借助闭环仿真评估系统考察纯人类预训练,并报告一条经验性对数线性缩放律,将预训练数据小时数与下游机器人成功率联系起来。据此训练的 HumanWAM-Vanilla,是仅在 5 万小时第一人称人类视频上预训练的世界—动作模型。机器人后训练后,RoboTwin 2.0 上 Clean2Clean 成功率为 92.08%,Clean2Random 为 68.88%;RoboDojo 上平均成功率 14.17%,平均进度分数 19.00。这些数字把人类视频预训的用处落到具体基准,但材料没有展开任务定义、评估协议与结果方差。

人机混合预训练与基准变化

为继续推高能力边界,作者探索人类与机器人数据联合预训练,提出视觉目标条件的世界—动作模型 HumanWAM-Goal。材料称混合数据缩放解锁了仿真与实体基准上的广泛零样本泛化,并使后训练后的 RoboTwin 2.0 达到新的领先水平:Clean2Clean 92.70%,Clean2Random 大幅升至 84.60%。与仅用人类数据的路线相比,较干净设置变化很小,随机扰动设置的提升更明显。摘要还提到该模型在实体机器人上表现出某种涌现的具身能力,但给定材料在此处截断,无法确认具体任务、行为或定量结果。

我的判断

这项工作的价值,在于把大规模第一人称人类视频、标注与训练写成可声称完全开源的配方,并给出可引用的缩放关系与成功率。对照两条路线:纯人类数据已能把较干净设置推到九成以上,更难的随机扰动设置则在混合预训练后从 68.88% 升到 84.60%。适用边界应限制在材料点名的仿真基准与后训练设置之内,不能直接外推到任意本体与任意任务。局限同样清楚:摘要未给出过滤标准、标注质量、模型结构、计算成本与实体实验完整数字;缩放律只被写成经验性对数线性,没有斜率、拟合区间或是否饱和。末句被截断,不宜把涌现具身写成已证实结论。对开发者而言,更值得跟进的是开源配方能否复现那条缩放关系,以及混合数据在扰动场景中的增益是否稳定。