部署回流与真机 RL 数据

一句话结论

真机 RL 数据 = 目标本体、目标场景上的 rollout + 人工接管片段 + 结果标签；价值来自与部署分布零距离，而非规模。π0.6 / RECAP（π0.6）是目前唯一有官方一手数字的生产级范例：演示、自主 rollout、专家接管三类数据，价值函数优势条件化。[1][2]
RECAP 官方给出的是结果而非投入：约 18 小时连续做咖啡、在新家庭连续折 50 件未见衣物、在真实工厂连续组装贴标 59 个纸盒；官方未给演示/自主/接管 episode 数量，也未给接管次数，外界无法估算其数据成本。[1][2]
公开可下载的"演示 + 纠正 + 部署 rollout"数据集目前只查到一个：AgiBot World 2026 第三期，首批 11,430 条轨迹（1,024 成功、1,369 失败 rollout），⚠️ 为媒体二手统计，数据集原始页面未直接核对，获取链接与许可证未查到。[3]
"外包层"极早期：Enact（YC S26）（2 人团队）与 Cortex AI（3 人团队，融资采 $6.13M）都无公开客户与定价；全题范围内未查到任何公开的 RL rollout 单价。[8][9][10]
车队运营小时几乎都是公司口径或二手：Agility 65,000+ 小时（二手）、Figure F.02 在 BMW 1,250+ 小时（公司口径）；1X（1XWM，Redwood）的"1 万+ 小时"无来源，官方只有 1XWM 的 900 小时第一视角人类视频（中训练）+ 70 小时机器人数据（本体微调）。[11][12][13]

生产方式

RECAP（π*0.6）

发布于 2025-11（arXiv 2511.14759，55 位作者）。流程：先离线 RL 预训练，再在真机上 on-robot 专门化；数据三类：人工演示、on-policy 自主 rollout、自主执行中的专家遥操作接管。[2]
奖励按每个 episode 的整体结果给出；价值函数预测"到完成的负步数"，成功 episode 为 1.0；价值变化（优势）作为条件输入策略。[1]
官方数字（公司口径）：

指标	数字	说明
咖啡（espresso）	约 18 小时（5:30am 至 11:30pm 连续制作饮品）	各阶段成功率 90% 以上；二手媒体写"13 小时"，弃用 [1]
叠衣服	新家庭连续折叠 50 件此前未见衣物	持续数小时无中断 [1]
纸盒	真实工厂连续组装并贴标 59 个盒子	巧克力包装场景 [1]
最难任务	吞吐 "more than doubles"，失败率降低 2 倍或更多	论文摘要口径为 "roughly halves" [1][2]
数据量 / 接管次数	未披露	关键缺口
模型	π0.6 VLA，约 5B 参数视觉语言骨干	[1]

实地合作方：二手来源称在 Weave Robotics（洗衣店折衣）与 Ultra（仓库订单包装）测试；"Weave 现场人工干预减少 50%"仅见二手报道，pi.website 页面未复现，⚠️ 待核。[4][5]
后续：2026-03 发布 RL Token（arXiv 2604.23073，VLA 之上做在线 RL，4 个真机任务，称最难环节速度最多提升 3 倍，数分钟到数小时练习）；2026-04-16 发布 π0.7。[6]

学术在线 / 人在环 RL

工作	要点	来源
SimpleVLA-RL（arXiv 2509.09674，ICLR 2026）	OpenVLA-OFT 上的在线 RL；LIBERO 达 SoTA，RoboTwin 1.0/2.0 相对提升 80%；单轨迹 SFT 下 LIBERO 17.3→91.7；奖励为仿真二值 outcome。真机 120% 提升为二手摘要，⚠️ 待核	[14]
Dual-Actor Fine-Tuning（arXiv 2509.13774，小米机器人）	Talk-and-Tweak 人在环；三个真机任务约 101 分钟在线微调达 100%	[15]
VLAC（arXiv 2509.15937）	critic+policy 一体、分级人在环；四个真机任务 200 episode 内成功率约 30%→约 90%	[16]
HIL-SERL（arXiv 2410.21845，Science Robotics）	人在环 RL 奠基工作，视觉奖励分类器 + 人工干预	[17]
TwinRL-VLA（arXiv 2602.09023）	数字孪生先探索，再针对性人在环 rollout；平均约 20 分钟	[18]
REAL-I 真机 RL 挑战赛总结（arXiv 2609.13679）	ICRA 2026 COMP 5，三阶段（仿真/真机/现场决赛），禁用额外数据；结论：需适应部署环境同时保留先验，离线动作预测指标不能预测闭环成功	[19]

单位成本

RECAP 一类数据的每小时机时成本、操作员接管占比：未查到。
可参照的少量数据：Skild 称新模型 S1 以 3 小时数据达 98.9%（旧模型 3 天达 95%），公司口径、未经核验 [20]；Dual-Actor 约 101 分钟达 100% [15]。说明目标场景上的少量真机 RL 单次成本低，贵的是车队与场景准入。

奖励 / 成败标签

方式	例子	说明
episode 级人工成败	RECAP	按整体结果给奖励 [1]
仿真自动判分	SimpleVLA-RL	二值 outcome，仿真天然可得，真机无等价物 [14]
学习型分类器 / critic	HIL-SERL、VLAC	视觉奖励分类器或 critic 代替人工 [16][17]
区间级过程标注	AGIBOT WORLD 2026	子任务完成、错误、干扰、接管、恢复区间，用于训练 reward / value model [3]
人工接管本身作为信号	RECAP、Cortex、Enact	接管片段 = 纠正监督 + 失败位置标记

厂商与渠道

名称	国家	类型	规模口径	客户	融资	来源
智元机器人 AgiBot（数采体系 + AgiBot World）	中国	机器人本体 + 公开 RL 数据集	AGIBOT WORLD 2026 第三期：首批 11,430 条（1,024 成功 / 1,369 失败 rollout）；98,159 个子任务区间、26,493 干扰段、5,795 错误段、10,684 人工接管段；14 类任务（网线插接、钥匙开门等）；与龙旗科技真机 RL（RW-RL）称"数十分钟学会新技能"、6 天试产质检 99.99%（厂商自述）	龙旗科技（南昌平板工厂）	未核	[3][21]
Physical Intelligence（π 系列数据体系）	美国	基础模型	RECAP 见上；stockanalysis 称"尚无商业产品、无商业化时间表"；有私测微调 API 说法未证实	Weave、Ultra、Dandelion Chocolate（二手）	2025-11 $600M / $5.6B；另有谈 $1B / $11B+ 的报道，未见成交确认	[4][22]
Enact（YC S26）	美国（旧金山）	真机 RL 环境	YC 2026 批次（批次写法 S26 为二手）；找出失败点并转成针对性恢复数据集；团队 2 人	未查到	未查到	[8][23]
Cortex AI	美国（旧金山，YC F25；另有"新加坡/美国"说法待核）	人在环 rollout + 第一视角	团队 3 人（YC 页；EverDev 页写 10 名员工，口径不一）；远程操作员在失败时接管、恢复数据回流；Cortex Marketplace 付费让职场承接采集；称参与训练 MolmoAct2（二手）	未查到	$6.13M（EverDev 引 Tech in Asia，2026-03）	[9][10]
Figure AI（Helix 500 小时，BMW 部署）	美国	人形本体	F.02 在 BMW Spartanburg 11 个月：周一至五 10 小时班、装载 9 万+ 零件、1,250+ 运行小时、贡献 3 万+ 辆 X3；页面写明 ">99% 每班放置成功率"为目标而非已报告结果（公司口径）；学到的主要是硬件（前臂为首要故障点），未披露软件数据回流	BMW	未核	[13]
1X（1XWM，Redwood）	挪威/美国	人形本体	Redwood（160M 参数，二手）训练于 EVE 与 NEO 的遥操作 + 自主 episode，含成败 rollout，未给小时数	家庭	未核	[12][24]
Skild AI	美国	机器人基础模型	2026 年中报道 $100M 年化收入（run rate，Bloomberg 转述）、客户 8→60+	仓库、数据中心、东京咖啡馆、匹兹堡机场	Series C $1.4B / $14B 估值	[20][25]
Covariant	美国	仓库拣选	2024-08 Amazon 聘走联合创始人及约 1/4 员工并获非独家模型授权，条款未披露；车队"数百台"；RFM-1 是否进入 Amazon 车队未查到	仓库客户	未披露	[26]
Agility Robotics	美国	人形本体	65,000+ 运营小时、跨九个客户设施（二手聚合）；GXO Flowery Branch 10 万+ 料箱、约 98% 任务准确率（二手）	GXO、Schaeffler、Amazon、丰田加拿大	未核	[27][28]
Tesla Optimus	美国	人形本体	马斯克在 2025Q4 财报会称 Optimus "主要用于学习与数据采集而非生产性任务"（转述）；机器人数量"1,000-1,200 台"为估算，非官方	内部	—	[29]
银河通用 Galbot（仿真合成路线）	中国	零售/药房人形	2025-06 北京近十家店常态运营（新华社）；新店部署约 1 天（财联社）；2026-09 老百姓大药房徐汇店常态运营，单均约 90 秒。数据回流机制未披露	老百姓大药房等	未核	[30]
优必选 UBTech	中国	人形本体	2025 年报交付 1,079 台、收入 8.21 亿元、在手订单约 14 亿元（公司口径，界面新闻转述）	东风柳汽等	上市公司	[31]
RoboArena	美国高校联合	评测	7 所学术机构、600+ 成对真机评测 episode、7 个通用策略；DROID 平台；CoRL 2025 oral	学术	—	[32]
RoboChallenge（Dexmal 与 Hugging Face）	中国/美国	评测 + 数据	2025-10 上线；Table30 v2：18 个新双臂任务，2026-04-15 至 05-15 开放提交，96 支队、400+ 参与者（单一幻灯片，自报）	学术/企业	未查到	[33][34]

公开数据与交易

Table30（RoboChallenge）：Hugging Face 公开，总 736 GB，30 个任务、4 个本体（ARX5、UR5、FRANKA、ALOHA），JSONL 状态 + MP4 视频，建议转 LeRobot。⚠️ 数据集卡片未写许可证、总 episode 数、是否含失败 rollout，v1/v2 亦未标注。它是评测配套的演示数据，不是 RL rollout 数据集。[35]
AgiBot World 2026 第三期：见上表，获取链接与许可证未查到。
部署侧数据的企业间交易：湖北中心—智元数据交易——湖北人形机器人创新中心（100+ 台训练机器人、30+ 训练师）2026-01-15 向智元交付数千小时数据，称国内首例企业间专业化定制数据交易，金额未披露。⚠️ 这是训练场采集数据而非部署回流，仅作为数据定价参照。[36]
REAL-I：主办方提供"大规模工业数据集（同构双臂人形）"，规模与获取方式未查到。[19]

应用方式

阶段：后训练最后一段，目标是把通用策略推到可部署可靠性（吞吐、失败率），而非预训练。RECAP 的"离线 RL 预训练 + 在线专门化"两步法是当前范式。[2]
数据混合占比：RECAP 未披露；SimpleVLA-RL 类工作是"少量 SFT + 大量在线 rollout"，在仿真中完成。[14]
评测：RoboArena、RoboChallenge 是同一"部署分布 = 评测分布"逻辑的另一端。RoboArena 论文：单实验室真机评测与 oracle 排名的 Pearson r 为 0.69，RoboArena 成对比较为 0.90（Elo）/ 0.97（Bradley-Terry）/ 0.98（任务感知），均为真机评测方法之间的比较（见 RoboArena）[32]。
外包链条：Enact 的"失败定位 → 针对性恢复数据 → 再训练"、Cortex 的"远程接管 + 恢复数据回流"，都是把 RECAP 的数据生产环节外包；二者当前均无公开客户。[8][9]
代表论文：RECAP（arXiv 2511.14759）、RL Token（2604.23073）、SimpleVLA-RL、HIL-SERL、VLAC、TwinRL-VLA（见上）。

规模、成本与价格

项目	数字	口径
RL rollout 公开单价	无	Enact / Cortex 未公开定价
RECAP 数据量与接管次数	未披露	—
PI 最长连续运行	约 18 小时	公司口径 [1]
Figure F.02 BMW 累计	1,250+ 小时 / 11 个月	公司口径 [13]
Agility 累计	65,000+ 小时	⚠️ 二手，未见一手确认 [27]
1X	官方无运营小时数；1XWM 900 小时第一视角人类视频 + 70 小时机器人数据	官方 [39]
AGIBOT WORLD 2026 第三期（首批）	11,430 条轨迹	⚠️ 二手 [3]
Table30	736 GB	HF 卡片 [35]
Skild	$100M 年化收入；Series C $1.4B / $14B	媒体转述 [25]
PI 估值	5.6B（2025 − 11）；11B+ 为洽谈报道	口径冲突 [22]
Cortex AI 融资	$6.13M	采信二手报道 [9]
Figure Helix 遥操数据（对照）	约 500 小时（多机器人、多操作员）	公司口径原话 "~500 hours in total" [37]

当前"人形 + 工厂"的累计运行小时为万小时量级，与互联网视频规模差几个数量级，且大多数没有以数据集形式回流。

局限与争议

本体 + 策略双专属：RL rollout 是 on-policy 数据，换策略版本即失效，换本体更无法迁移，难以像演示数据那样跨客户复用与定价。
重置成本：真机每个 episode 需复位场景，人力成本高；"环境即服务"本质是卖复位 + 判分的运营能力。
奖励难自动化：真机缺乏仿真式 oracle，成败判定依赖人工或学习型 classifier，后者有奖励黑客风险；REAL-I 总结指出离线动作预测指标无法预测闭环成功。[19]
安全：在线探索可能损坏硬件或伤人，RECAP 以专家接管兜底；家庭场景（1X）的远程操作员可见室内，OECD AI 事件库将其归为 hazard。[38]
公司口径不透明：PI 未公布接管次数与硬件多样性；Agility 65K 小时、Skild $100M、Tesla 机器人数量均无一手核验；Tesla 自述机器人并未做生产性工作，其"部署"主要是数据采集。[29]
数据主权：PI、Skild 与客户的数据条款未查到（有报道称合作方数据回流预训练，属推断）。1X 的做法是用户同意 + 隐私控制（房间限制、人脸模糊、远程会话需批准），属消费端条款。
商业验证不足：Enact 仅 2 人；Cortex 融资口径冲突；RoboArena 为学术项目；"外包层"尚无客户或收入证据。

推断（非事实）：车队、场景准入、操作员与打标运营是真壁垒；数据与本体、策略版本强绑定，难独立商品化，最可能的形态是 RaaS 或"环境即服务"打包进模型方的后训练流程，谁拥有 rollout、能否用于预训练才是定价核心。

口径冲突与未核实

说法 A	说法 B	采信	原因
RECAP 咖啡约 18 小时（pi.website）	二手媒体写 13 小时	18 小时	一手博客明确 5:30am–11:30pm [1]
Weave 现场人工干预减少 50%（humanoidsdaily）	pi.website 页面未复现	待核	仅二手 [5]
搜索摘要称 pi.website 有 Dandelion/Weave/Ultra	pistar06 页面未出现，见 /blog/partner	按来源页区分引用	抓取结果不一致 [1][4]
1X Redwood "1 万+ 小时运营数据"	1X 官方：1XWM 900 小时第一视角人类视频 + 70 小时机器人；Redwood 仅称"大规模遥操作与自主 episode"	官方口径	1 万+ 小时无来源，疑与 10,000 预订单混淆；Redwood 页（160M 参数）不含 900/70 小时，该数字见 1XWM 页 [12][39]
1X 10,000 预订单、已交付	"截至 2026-07-16 无独立核实的交付"	均标二手	来源冲突 [24]
Agility 65K 小时、跨九个设施	仅聚合站与德语报道，一手未确认	二手	无一手确认 [27][28]
Cortex AI 融资 $6.13M（EverDev 引 Tech in Asia）	$50M（Extruct）	$6.13M	$50M 无出处 [9]
Cortex 为美国（SF，YC F25）	"新加坡/美国"待核	美国（SF），⚠️	以 YC 页为准 [10]
Enact 批次写法 S26	一手仅 roundfunded 复述	标"YC 2026"	S26 为二手 [8][23]
Table30 已换到 v2（RoboChallenge）	HF 卡片未区分版本	属实但数据集无法区分	v2 赛道 2026-04 至 05 [34][35]
AGIBOT WORLD 2026 第三期统计（报道口径）	数据集原始页面	报道口径，⚠️	原始页面未直接核对，许可证未查到 [3]
PI 估值 $5.6B（2025-11）	谈 $1B / $11B+；聚合站称 2026-05-21 Series C $1.05B	$5.6B 为已成交	其余未见成交确认 [22]
PI / Skild 数据主权条款	—	未查到	无公开细节
"HELP / VLA-Precision"	—	不采用	名称未对上任何论文

来源

访问日期均为 2026-10-14。

本文为个人研究笔记，结论基于成文时可获得的公开信息；带〔估算〕〔推断〕或 ⚠️ 的数字未经独立核实。