阅读时间大约5分钟（1743字）

1天前 Noe-0 基础模型发布：全链路无本体数据构建具身世界模型

来源：豆包

仅用UMI数据实现具身世界模型

出品：穹彻智能

具身世界动作模型：

在行动中持续理解世界变化

Noe-0 以世界模型架构为基础，构建具身世界动作模型，将对真实环境变化的建模与机器人动作生成放在同一个学习过程中。面向真实环境中的连续交互，模型既需要根据当前观察规划动作，也需要持续预测动作发生后与任务相关的世界变化。

在具体推理过程中，Noe-0 接收图像与任务语义，在同一共享表示中同时进行隐式世界想象与动作规划，并输出机器人动作。它并非“先想象、再规划”的串行流程，而是在动作展开的同时，持续保持对世界变化的预测。

在这一过程中，隐式世界想象为动作规划提供物体状态和上下文，动作信号也反过来约束模型关注与任务进程真正相关的变化。每次动作执行后，新的观察进入下一轮联合推理，形成“观察—联合推理—执行—再观察”的连续闭环。

当前预训练实验中，基于世界模型架构的 Noe-0 已呈现出明显的 Scaling Law。在使用 10%、20% 与 100% 数据量的对比实验中，验证动作损失随数据量增加而下降，表明随着预训练数据规模持续扩充，模型能力可以持续拓展。

要让具身世界模型更好地建模真实环境，并把数据规模转化为持续拓展的模型能力，数据不仅需要更大规模，也需要保留真实操作中的自然动作与环境变化，并在不同训练阶段延续一致的数据分布。

全链路无本体数据：

让数据产生于真实世界

从模型预训练到任务后训练，Noe-0 均使用由穹彻智能自研数据采集设备 RoboPocket 采集的无本体数据，使两个训练阶段建立在连续一致的动作分布之上，形成贯穿模型训练全过程的无本体数据链路。

RoboPocket 是一套便携式、可穿戴的数据采集设备，可以记录操作过程中的图像信息与人的操作轨迹。设备不需要连接复杂的外部传感器，因而能够方便地进入不同空间和多种真实场景。

基于 RoboPocket，穹彻智能在全国范围内开展了大规模的分布式数据采集。我们认为，数据采集真正的锚点应当是真实场景，而不是人为搭建的固定采集工位。因此，穹彻智能将数据采集带入采集人员所在的真实环境，让数据从日常生活中的空间、物体和任务中自然产生。

目前，穹彻智能的数据采集网络已覆盖全国超过50个城市，累计采集超过10 万小时的真实世界数据。在真实环境中，采集人员可以根据现场的空间、物体与任务开展采集，持续引入不同材质、形态、使用状态和操作方式的长尾样本。

在预训练阶段，这些来自真实环境的无本体数据构成了 Noe-0 的训练基础。随着采集网络持续扩展，预训练数据的增长不再只是时长的增加，更是任务、物体、场景与动作等整个数据分布的持续扩展。

进入任务后训练阶段，Noe-0 仍然使用由 RoboPocket 采集的无本体数据。如果后训练重新引入停顿、分段和频繁修正的遥操作轨迹，预训练阶段学到的动作知识可能被压缩到更窄的分布。预训练与后训练统一使用无本体数据，有助于保持动作分布的连续性与自然性，避免后训练重新形成灵巧性瓶颈。

由此，Noe-0 从真实世界数据采集、模型预训练到任务后训练形成了全链路无本体数据。这是本次技术预览的一项重要亮点：它不仅提出了一种数据理念，也说明这条完整链路已经走通，并形成了一条可工作的系统路径。

AI 基础设施：

让数据生产与模型迭代形成闭环

真实世界中的分布式采集带来了更广的数据分布，也带来了新的管理瓶颈：采集来源更加分散，数据多样性持续上升，任务管理、数据治理与标注的难度也随之增加。要让大规模、分布式的数据稳定转化为可用于模型训练的资产，需要一套贯穿端侧采集、云端治理、标注与交付的 AI 基础设施。

围绕数据生产，RoboPocket 作为端侧基础设施，负责在真实场景中完成数据采集与上传；数据管理平台 DM3 作为云端基础设施，连接任务管理、数据入库、质量检查、数据治理、标注与交付。DM3 采用 AI-native 的方式，让 AI 普遍介入任务理解与审核、质量监测与检查、数据标注等环节，提升规模化数据生产的运营效率。

DM3 内置面向数据生产的 AI Agent，能够完成自动化任务审核、任务指导、数据标注、问题处理和消息通知，并将分散的信息汇总为运营看板，辅助数据运营人员开展管理工作。通过这些能力，DM3 可以提升整体运营效率、降低数据治理成本，并持续提升数据治理质量。