Dyna-2.1 物理智能体实现小时级自主工作流

Dyna-2 是训练于超过一百万小时人类视频的世界动作模型，底层采用仅编码器的扩散 Transformer，结合流匹配加速采样。其核心思路是先预测未来视频状态，再据此生成机器人动作，类似在视觉和物理空间中做思维链推理，从而提升灵巧性、鲁棒性和对未见环境的泛化能力。机器人输入包括多秒历史视频、关节编码器角度和语言指令，输出为可执行动作与未来视频表示。 Dyna-2.1 被描述为首个实现可靠超长时程全身自主的物理智能体，官方演示中机器人连续 24 小时折叠餐厅餐巾，成功率 99.4%，并在推倒整叠餐巾后自行恢复。Dyna 选择自研轮式半人形硬件而非现成人形机器人，理由是端侧推理、模型蒸馏和定制硬件是可靠部署的前提；灵巧手过热仍是硬件瓶颈。团队称机器人可从最少 45 分钟演示中学习新任务，并已在鼎泰丰等真实客户场景做规模化部署。 对跑机器人落地的团队，这套方案说明数据规模和自生成训练数据（合成环境、仿真）比手工设计专用方案更重要；世界动作模型与视觉-语言-动作模型的路线差异，也直接影响模型选型和数据采集策略。