推文

@fireandstart · 2026-10-11 09:57

这条帖子的关键提醒，是把机器人数据采集从“多录一些标准动作”转向“找出当前能力边界”。如果一个动作已经稳定完成，继续收集相似的漂亮示范，边际收益可能很低；真正有价值的，往往是遮挡、摩擦变化、物体偏移、接触不稳定、恢复失败这些模型还处理不好的片段。用失败来决定下一轮采什么，能让数据预算更贴近能力缺口，也让人的示范工作随着模型进步而调整。 但这个闭环要有效，失败不能只是一个笼统标签。系统需要区分感知没看见、状态估计错了、规划选择不合适、控制执行偏差，还是环境本身超出任务定义；否则采集端可能反复补错数据。还要保留成功样本作为回归锚点，并按场景变化追踪表现，避免模型只在最近暴露的边界上变好，却忘掉已掌握的行为。 我也会关注“采得更难”是否真的带来可迁移的进步：训练集上的失败率下降之外，最好看独立场景里的成功率、恢复能力和安全边界，并记录每类示范的成本。这样才能判断下一条数据是在补真实短板，还是只让评测看起来更漂亮。数据采集因此不是一次性铺量，而是持续测量、诊断、补缺和复测的过程。

曝光 25 · 评论 0 · 点赞 0 · 书签 0 · 曝光/时 4.977121435016526