先问你一个问题。
如果你要教一个机器人叠毛巾，你会怎么教？大概率是让它看无数遍人叠毛巾的视频，然后模仿动作。这是现在机器人学习的主流思路，叫做模仿学习。但这里有个隐藏的漏洞：机器人学会了"看到毛巾就折"这个动作，却不一定理解"折毛巾"这件事背后的物理逻辑，比如布料会怎么变形、力气该用多大。
这就好比一个孩子背下了"1+1=2"，却不明白加法到底是什么意思。一旦题目稍微变一下，比如换成"1+2"，他就懵了。
这正是AgiBot研究团队在这篇论文里想解决的问题。他们提出了一个叫GE-Act 2.0的系统，全称Genie Envisioner Act 2.0，试图让机器人不仅会"做动作"，还能先在脑子里"预演"一下将来会发生什么，再据此决定怎么动手。这类系统有个专门的名字：
世界-动作模型（World-Action Model, WAM）：一种先预测场景会如何演变，再根据这个预测来生成动作的机器人学习范式。它和传统的"看图做动作"不同,多了一步"预见未来"的环节。
核心问题：大家都在借用别人的眼睛
这里有个挺反直觉的事实。
你可能以为,既然世界-动作模型这么厉害,那做这类研究的团队肯定都是从头训练一套完整系统。但事实并非如此,几乎所有现有的世界-动作模型,都是拿别人训练好的视频生成器来"改装"的,比如NVIDIA的Cosmos或者阿里的Wan。这些视频生成器原本是为了生成好看的、逼真的视频而设计的,压根不是为了给机器人做决策服务的。
这就好比你想造一辆赛车,但没有自己设计发动机,而是直接把一辆家用轿车的发动机拆下来装上去。它能跑,但跑不快,因为发动机的设计初衷就不是为了赛道。
这种"拿来主义"带来了两个实实在在的麻烦。
第一个麻烦是效率问题。这些通用视频生成器为了保证画质,压缩率做得很保守,通常只把画面空间维度压缩8倍或16倍,这意味着每一帧图像被编码后还是一大堆数据(专业说法叫"token",可以理解为信息的最小处理单元)。对机器人来说,这是致命的,因为机器人需要实时决策,处理的信息越多,反应就越慢。
第二个麻烦更隐蔽:这些生成器学的是"如何把图片画得逼真",而不是"图片里藏着哪些和动作相关的信息"。换句话说,它们可能把一堆像素渲染得完美无瑕,却压根不知道哪块像素代表了"手要往哪边移动"这种对机器人真正重要的信息。
所以这篇论文提出了一个大胆的想法:所有可训练的生成和动作模块,全部从零开始,只用机器人操作相关的数据来训练,不借用任何预训练的视频生成器。
这个决定听起来有点冒险,毕竟从零训练比微调一个现成模型难得多,数据需求也大得多。但研究团队显然认为,这是解决"借来的眼睛看不清动作细节"这个根本问题的唯一办法。
三个核心组件:压缩、预测、对齐
GE-Act 2.0这套系统由三个核心部分组成,分别解决三个不同层面的问题。
第一个是控制导向自编码器(Control-oriented Autoencoder, CoAE),负责把摄像头看到的画面压缩成一小串精炼的数字信号,同时确保这串信号里包含了机器人做动作所需的关键信息。
第二个是单步视觉规划器(Single-step Visual Planner, SVP),负责根据当前画面和语言指令,一步到位地"想象"出完成这个指令后场景会变成什么样。
第三个是逆动力学模型(Inverse Dynamics Model, IDM),负责根据"现在长什么样"和"接下来会变成什么样"这两组信息,反推出中间需要执行哪些具体动作。
这三者的关系,有点像一个人做饭前先看看冰箱里有什么食材(CoAE压缩观察),脑子里过一遍做完这道菜端上桌是什么样子(SVP预测未来),然后再琢磨具体该怎么切菜、怎么翻炒(IDM推算动作)。
接下来我们把每个部分拆开看看,它们各自解决了什么难题。
控制导向自编码器:极致压缩,但不能丢了"控制感"
先说CoAE。它做的事情,是把一张摄像头拍到的画面,压缩成极少量的数字信号。具体多极致呢?常规的视频压缩技术通常把画面空间压缩8到16倍,而CoAE直接压缩64倍。在论文使用的256×384分辨率画面下,一整张图最后只剩下24个token,相当于把一本书压缩成一句话摘要。
这种极限压缩听起来很爽,但问题也随之而来:压缩得这么狠,会不会把重要信息也丢掉了?
研究团队的答案是:关键要看压缩的时候你在优化什么目标。如果只是为了让压缩后的图能被完整还原(也就是常规自编码器的训练方式),那模型学到的更多是"怎么把颜色、纹理这些视觉细节记住",而不是"哪些视觉变化意味着动作发生了"。
于是CoAE在训练时加入了一个额外的机制,叫多教师特征对齐。
多教师特征对齐:让压缩后的信号不仅要能还原出原图,还要向三个预训练好的"专家模型"看齐,分别学习语义信息(来自SigLIP,一个理解图片语义的视觉模型)、时空运动信息(来自V-JEPA 2.1)、以及结构细节(来自DINOv3)。这样一来,压缩出来的那一小撮数字里,既保留了画面细节,又携带了"这个动作在做什么"的线索。
打个比方,这就像你要给朋友转述一部电影的内容,如果只是随口说说,你可能记住的是画面好不好看、演员帅不帅;但如果你知道朋友接下来要根据你的转述去写影评,你自然会有意识地记住剧情逻辑、人物动机这些真正重要的信息。多教师对齐做的就是这件事:提前告诉压缩器"你压缩出来的东西以后是要用来判断动作的",逼着它把注意力放在真正有用的信息上。
那这套设计到底有没有用?团队做了两个实验来验证。
第一个实验叫动作恢复测试,简单说就是冻结住压缩器,只用一个简单的两层小网络,看能不能从压缩后的信号里反推出机器人当时执行的动作。结果显示,CoAE的误差是0.01673,虽然比专门做特征提取的DINOv3(0.01273)和V-JEPA 2.1(0.01487)略高,但差距只有13%到31%,而CoAE用的token数量只有它们的十六分之一。相比之下,同样压缩64倍但没有做多教师对齐的DC-AE,误差高出54%;专注语义理解的SigLIP,误差更是高出88%。
第二个实验叫指令匹配测试,考察压缩后的信号能不能准确判断一段指令是否和当前画面对应。CoAE在这项测试里拿到了97.95%的准确率,错误率只有2.05%,比第二名DC-AE低了24%,是V-JEPA 2.1错误率的一半左右。
这两组数据放在一起说明了什么?说明CoAE找到了一个很微妙的平衡点:用极少的token,做到了接近专业特征提取模型的效果,同时还保留了能够还原图像的能力。如果没有多教师对齐这一步,单纯追求压缩率(就像DC-AE那样),反而会在两项测试里都表现更差,证明压缩率本身不是决定信息质量的关键因素,训练时用什么目标去引导压缩过程才是。
单步视觉规划器:一步到位地"预演未来"
接下来是SVP,这是整套系统里技术含量最高的部分。
先说清楚它要解决的问题。世界-动作模型需要先"想象"未来的场景,再根据这个想象生成动作。但传统的视频生成技术,通常需要经过几十甚至上百步的"去噪"过程才能生成一张清晰的图,这个过程叫扩散模型(Diffusion Model)去噪。
这就带来一个麻烦。如果要让整个系统端到端训练,也就是让动作生成的误差能够反过来指导视频生成器怎么改进,你就得让梯度(误差信号)一路穿过这几十步去噪过程,传回到最初的输入。这个计算量和显存消耗大到离谱,好比你要检查一份文件里的某个错别字,却得把整份文件从头到尾抄写一百遍才能定位到它。
正因为这个瓶颈,之前的很多同类系统(比如论文提到的VPP、DreamZero,还有团队自己的上一代GE-Act 1.0)干脆放弃了这条路,改成从视频生成过程中间的某个状态里直接读取信息来预测动作,而不是等一个完整的视频生成完。但这样做的代价是,动作模块被死死绑定在视频生成器身上,没法用那些没有语言标注、甚至是失败了的机器人操作数据单独训练。
而失败数据、部署时产生的真实数据,恰恰是最容易大量获取、却最难被现有方法利用的资源。
于是研究团队提出了单步视觉规划器,核心思路是让视频生成从"几十步去噪"压缩成"一步到位"。这项技术的理论基础叫MeanFlow(平均流匹配),简单理解就是:与其一步步小碎步地把噪声磨成清晰图像,不如直接训练一个模型学会计算"从纯噪声到最终图像"这一整段路径的平均方向,然后一次性走完。
一步生成的意义在哪?
意义在于,它把逆动力学模型(IDM)和视觉规划器(SVP)的训练彻底解耦了。IDM可以先单独用大量的机器人真实动作数据训练(哪怕这些数据没有语言标注、甚至包含失败案例),SVP也可以先单独用大量视频数据训练(哪怕这些视频完全没有动作标签,比如人类做家务的第一视角视频)。等两边都练得差不多了,再把它们接起来,做一次联合训练,这时候因为生成过程只有一步,梯度可以顺畅地从动作误差一路传回视频生成器,而不需要承受几十步去噪的计算负担。
这就好比两个乐手,一个专攻小提琴,一个专攻钢琴,他们完全可以先各自苦练基本功,不需要一开始就绑在一起排练。等各自都练得足够扎实,再合练协奏曲,效果反而更好,而且合练的成本也低得多。如果一开始就强行绑在一起从零开始学,不仅每个人的基本功都练不扎实,合练的成本还会高到无法承受。
多尺度视觉预测:既要看清眼前,也要看清远方
SVP还有一个巧妙的设计,叫多尺度视觉预测。
这个设计要解决的问题是:机器人在做一个动作时,既需要知道接下来几秒钟的细节动作怎么做,也需要知道整个任务大概要往哪个方向发展。如果只盯着近处的细节,机器人可能会"走一步看一步",缺乏整体规划;但如果每一帧都用同样高的精度去预测很远的未来,又会浪费大量计算资源在那些暂时不重要的细节上。
于是团队采取了分层策略:近期的几帧(称为"密集帧")用高时间分辨率密集预测,负责指导精细的手部动作;远期的几帧(称为"稀疏帧")则用低分辨率、跨度更大的方式预测,负责保留任务的整体走向和意图。
这有点像你规划一次长途自驾游。出发前几公里的路况你会仔细看导航,精确到每一个红绿灯;但对几百公里外的终点,你只需要一个大致方向,不需要精确到每条街道。
场景理解与语言的结合:让"它"知道你说的"它"是谁
SVP面临的另一个挑战是语言理解。比如你对机器人说"把它放到红色碗后面",这句话里的"它"和"红色碗"到底指的是哪个物体,必须结合当前画面才能判断,单靠语言本身是猜不出来的。
一些常见的视频生成系统(比如Wan)通常用一个只处理文字的编码器来理解指令,把"结合场景理解指令"这个任务丢给后面的生成网络自己去解决。GE-Act 2.0换了个思路,直接用一个视觉语言模型(Vision-Language Model, VLM,这里用的是Qwen3.5)同时"看"当前画面和"读"指令文字,让理解过程本身就带着画面信息。
更细致的是,团队发现VLM不同层级的神经网络输出携带的信息侧重点不一样,有的偏语言字面意思,有的偏空间位置,有的偏视觉细节。所以他们设计了一个可学习的门控机制,让模型自己判断在当前情境下,应该更依赖哪一层的信息,然后把这些信息融合起来喂给生成网络。
知识对齐选择优化:解决"一个问题多种正确答案"的矛盾
接下来是这篇论文里我认为最有意思的一个发现,团队把它称为验证鸿沟(Validity Gap)。
先说这个问题是怎么被发现的。机器人完成同一个任务,往往有好几种同样正确的做法。比如抓一个杯子,可以从左边抓也可以从右边抓,可以现在抓也可以等一秒钟再抓。但在训练数据里,每一段演示只记录了其中一种做法。
问题出在联合训练阶段。SVP会随机生成一个"预测的未来画面",这个画面可能描绘的是"从左边抓"这个版本,但训练数据里记录的真实动作却是"从右边抓"。如果强行把这两者配对,拿"预测的左边抓画面"去训练模型预测"右边抓的动作",模型就会陷入混乱,因为它接收到的视觉信息和期望输出的动作根本不是一回事。
团队做了一个简化的玩具实验来验证这个问题的严重性。他们构造了一个只有四种可能"未来画面"、对应两种"正确动作"的简化系统,分别测试了四种训练策略。结果显示,如果不做任何处理,直接把生成的画面和真实动作硬配对训练(论文称为端到端联合训练),模型最终学出来的动作分布会坍缩成单一的平均值,原本两个清晰的动作峰值全部消失,变成了模糊的一团。哪怕保留了SVP和IDM各自的预训练目标(称为E2E+PT),问题依然存在,只是从"完全坍缩"变成了"坍缩到两个动作模式的中间值"。
为了解决这个问题,团队提出了知识对齐选择优化(Knowledge-Aligned Selective Optimization, KASO)。
它的思路是这样的:与其被动接受一个随机生成的未来画面,不如让SVP一次性生成好几个候选未来画面(论文里用的是4个),然后用当前正在训练的IDM去逐一"打分",看哪个候选画面对应的动作最接近训练数据里记录的真实动作。只有分数最高(也就是最"兼容"真实动作)的那个候选画面,才会被拿去参与最终的联合训练。
这套机制的关键设计是,打分不是在画面像素层面比较相似度,而是在动作空间里比较。两个画面即便看起来完全不一样(比如背景里的杂物位置不同),只要它们暗示的动作是一致的,就算兼容;反过来,一个看起来很逼真的画面,如果暗示的是另一种做法,就应该被排除。
这就像找工作时的简历筛选。你不会只看简历排版是不是好看(对应像素层面的相似),而是要看这份简历描述的工作经历和你要招的岗位是不是匹配(对应动作层面的兼容性)。排版再漂亮,内容不对口也没用。
那个玩具实验里,采用KASO策略的模型成功恢复出了完整的四种画面模式,以及两个清晰分离的动作峰值,和真实数据的分布几乎一致。
真实机器人上的效果同样明显。在一个四物体抓取实验里,KASO的抓取成功率达到37.5%,比只保留预训练损失但不做选择的E2E+PT高出15个百分点;在单物体抓取实验里,KASO把成功率从12%直接提升到40%,提升了28个百分点。这些数字背后传递的信息很直接:光靠"保留原来的训练目标"还不够,必须主动去筛选出真正兼容的训练样本,才能守住动作的多样性。而这种多样性,对后续如果要用强化学习进一步优化模型至关重要,毕竟如果动作分布已经坍缩成单一模式,强化学习就没有多样的选择空间可以探索了。
数据规模的秘密:从300小时到3万小时会发生什么
讲完了方法,接下来看看实验结果,这部分数据相当扎实。
团队用了三种不同规模的训练数据,分别是300小时、1200小时、5000小时、3万小时的机器人操作数据(数据来源涵盖两种机器人本体G1-OP和G2-90D,以及仿真数据、开源数据集、人类第一视角视频等)。他们在100个真实机器人任务上做了测试,这些任务被归类到20个技能组,覆盖抓取、放置、擦拭、堆叠、传递、折叠、扶正、倾倒、推动、插入等多种操作类型。
这里必须强调一个评测原则:所有测试都是零样本分布外评测(zero-shot OOD)。
零样本分布外评测:模型在评测前完全没有针对具体测试任务做过任何微调或演示学习,而且测试场景的背景、光照、物体实例都是训练时没见过的。这种评测方式测的是模型"预训练本身"的能力,而不是"微调之后"的能力,更能反映模型的真实泛化水平。
这一点很重要,因为业内很多同类研究习惯先在目标任务上做针对性微调,再报告成绩,这样测出来的分数很难说清楚到底是预训练学得好,还是微调数据喂得多。GE-Act 2.0选择了一条更硬核的路:不做任何微调,直接看预训练模型能打多少分。
结果如何呢？
数据规模从300小时扩大到3万小时,G1-OP这个主力机器人本体上的整体成功率从17.1%一路涨到44.1%,提升了27个百分点。
G2-90D这个数据占比不到2%的"小众"机器人本体上,成功率也从13.4%涨到31.1%,提升了17.7个百分点。
更值得玩味的是覆盖面。在G1-OP的20个技能组里,有19个组的成绩随着数据增多而变好;G2-90D是18个组变好。具体到单个任务,能做出成绩(成功率大于0)的任务数量,G1-OP从39个涨到76个,G2-90D从24个涨到72个,几乎翻了三倍。
而且这个曲线到3万小时还没有饱和的迹象,从5000小时到3万小时这一段,涨幅依然很大,说明如果继续加数据,成绩大概率还能往上走。
这里有个特别有意思的发现,就是关于G2-90D这个"小众"机器人的表现。它在整个训练数据里占比不到2%,却依然获得了17.7个百分点的提升,这说明模型从占绝对多数的G1-OP数据里学到的东西,能够有效迁移到一个几乎没怎么见过的机器人身上。
打个比方,这就像一个人先在乒乓球上练出了扎实的手眼协调和反应速度,虽然从没正式学过网球,但转过去打网球时依然会比完全没运动基础的人上手快得多。身体协调这套底层能力是可以迁移的,不需要每种球类运动都从零练起。
如果没有这种跨本体迁移能力会怎样?那意味着每引入一种新机器人,都得单独收集海量数据从头训练,成本会高到无法承受,这也是当前机器人产业规模化落地的一个核心难题。
团队还进一步分析,发现哪怕在数据极度稀缺的情况下(比如G2-90D里某个技能组的训练数据不到2小时),依然能从0%成功率提升到有实际效果,比如"翻转"技能组只靠1.2小时的专属数据就达到了20%的成功率,"分离"技能组只靠1.25小时就达到了16.7%。这进一步印证了跨本体、跨任务的知识迁移是真实存在的,不是数据凑巧对上了。
技能覆盖度和成功率的关系:数据多寡真的决定了会不会
团队还做了一个很有说服力的统计分析。他们把训练语料里每个技能类别的总时长,和这个技能在3万小时模型上的零样本成功率放在一起做相关性分析,结果发现两者的皮尔逊相关系数达到0.80,斯皮尔曼等级相关系数达到0.85,这在统计学上属于相当强的正相关。
具体的量化关系是:训练数据每增加十倍,该技能的成功率(用logit尺度衡量,一种更适合表示概率变化幅度的数学变换)大约提升1.94个单位。
这个发现回答了一个此前看起来有点费解的现象。比如"堆叠"这个技能,需要精确对位和保持稳定,听起来应该很难学会,但因为训练数据里这类任务积累了756.2小时,最终成功率能达到41.4%;而"擦拭"和"扫地"这两个动作看起来很相似,都是用工具在表面上移动,但"擦拭"有824.1小时数据支撑,成功率76.7%,"扫地"只有64.6小时数据,成功率只有3.3%,差距悬殊。
这说明什么?说明机器人学不会某个动作,很多时候不是因为这个动作本身"太难",而是因为相关的训练素材根本不够。这就好比两个学生,一个每天练习十道数学题,另一个每天只练一道,几个月后哪怕两人智商相当,做题准确率也会天差地别,原因不是题目难度不同,而是练习量不同。
如果只看单个技能的表面难度,而不去核算背后的数据积累,很容易得出"某个动作本质上就是难学"这种误导性结论,进而错误地把研发资源投向改进算法本身,而不是去补充相应的数据。
复杂场景下的指令跟随:精细到什么程度
除了看整体成功率,团队还专门设计了一组实验,考察模型在复杂场景里能不能精准理解各种细节化的语言指令。
他们把指令理解拆成六个维度:物体身份(比如"拿起黑色鼠标")、颜色、大小、形状、位置、顺序(比如"从左边数第二个杯子")。测试场景经过精心设计,让好几种动作在视觉上看起来都说得通,只有指令里明确指定的那个目标才是唯一正确答案。
测试结果显示,GE-Act 2.0在物体身份、颜色、位置、形状这四个维度上表现相当稳定,跟随得分(只要求碰到正确目标,不要求完全完成动作)都在90%以上。但在大小和顺序这两个维度上明显掉队,大小维度跟随得分降到82.5%(抓取)和65.7%(放置),顺序维度更是只有13.3%和26.7%。
团队进一步分析发现,这个能力分布,和训练语料里各种描述方式出现的频率高度吻合。在GE-Act 2.0的训练语料里,顺序类描述(比如"第二个""中间那个")只占0.13%,大小类描述占0.96%,都是极其稀少的长尾表达;而物体身份和颜色分别占了58.3%和29.6%,是绝对的高频词。
这个发现说明的道理挺朴素的:模型学得好不好,某种程度上就是数据喂得多不多的直接反映。你几乎没教过它"顺序"这个概念该怎么用,它自然也学不会精确执行"拿第二个"这种指令。
指令冲突下的表现:说话算不算数
最后这部分实验挺有意思,团队设计了一些"刁难"性质的测试,考察机器人是不是真的在"听指令做事",还是只是被视觉场景牵着鼻子走。
第一种测试叫行为冲突。研究人员会在机器人手已经伸到某个物体旁边、甚至已经开始抓取动作的时候,突然改变指令,换一个目标物体,或者换一只手来操作。这种情况下,如果机器人只是根据"当前手在哪里"这种惯性来行动,它很可能会无视新指令继续完成原来的动作。
测试结果显示,当指令换了执行的手臂时(比如从右手换成左手),机器人几乎没有犹豫就切换了;但当指令换了目标物体、且手已经很接近原目标时,机器人会有一小段"惯性动作",然后才逐渐调整轨迹,转向新目标。
这个细节挺耐人寻味的。它说明训练数据里"手已经靠近某个物体,大概率就会去抓它"这种强关联被模型学到了,这本身是合理的,因为绝大多数真实演示里确实是这样发生的。但当明确的新指令出现时,模型依然能够克服这种惯性,只是需要一点反应时间。
第二种测试叫语义冲突。研究人员故意设计一些违反常规认知的指令,比如把一个杯子放到鞋盒里(常规认知里鞋盒是用来装鞋的,不是装杯子的)。测试结果是,机器人依然按照指令完成了这个"反常"的放置动作,没有被"鞋盒应该装鞋"这种训练数据里可能存在的刻板关联带偏。
这两组测试合起来说明,GE-Act 2.0的指令跟随不是简单的"看图猜动作",而是真正把语言指令作为决策的最高优先级依据,即便这个指令和视觉惯性或常识认知相冲突。
写在后面
读完这篇论文,有一个细节让我印象特别深,就是那个验证鸿沟的发现。
很多人在做端到端训练的时候,默认假设是"数据越真实、越贴合训练场景就越好",但这篇论文提醒我们,即便你的每一份原始数据都是真实、正确的,把它们随意组合在一起用来训练,依然可能制造出虚假的矛盾信号。这个问题不是数据质量的问题,而是数据配对方式的问题,这一点在很多其他涉及多模态对齐的场景里,恐怕也是被低估的隐患。
另外一个值得琢磨的地方是,这篇论文选择了从零训练整个系统,而不是延续行业惯例去微调一个现成的视频生成器。这个决定意味着他们要承担更高的数据需求和训练成本,但换来的是一个真正为控制任务优化过的表示空间。这让我想到一个更普遍的问题:当一个领域里大家习惯性地"复用"某个基础模型时,到底有多少人认真问过,这个基础模型的训练目标,是不是真的和自己要解决的问题一致?
论文里那个G2-90D只占2%数据却获得大幅提升的结果,也让我重新思考"数据规模"这个词的含义。它可能不只是说"数据量大就好",而是说,当一个系统的底层表征学得足够扎实,它能从其他相关经验里"借"到能力,这种借用能力,或许才是规模化训练真正值钱的地方。
那么下一个问题是,当我们不断往这类系统里塞入更多数据,那些真正稀缺、长尾的技能,会不会永远因为"数据不够多"而学不好?还是说,总有一天,模型的迁移能力会强大到,哪怕只见过寥寥几次某个动作,也能举一反三地做对?
Q&A
Q1：GE-Act 2.0是什么？
A：GE-Act 2.0是AgiBot团队提出的一个世界-动作模型,由控制导向自编码器、单步视觉规划器和逆动力学模型三部分组成,所有可训练组件都从零开始在机器人操作数据上训练,不依赖任何预训练的通用视频生成器。
Q2：KASO解决了什么问题？
A：KASO解决的是验证鸿沟问题,也就是模型生成的预测未来画面和记录的真实动作对不上号的矛盾。它让系统生成多个候选未来画面,用逆动力学模型逐一打分,只挑选和真实动作最兼容的候选画面参与训练,从而保留住动作的多样性。
Q3：GE-Act 2.0的数据规模扩展效果如何？
A：训练数据从300小时扩大到3万小时,主力机器人G1-OP上零样本成功率从17.1%提升到44.1%,数据占比不到2%的小众机器人G2-90D也从13.4%提升到31.1%,说明扩大数据规模能带来跨机器人本体的能力迁移。
