Data / 机器人 / 具身 / 实体卡片

Is Diversity All You Need

论文与基准数据集与格式

任务多样性比每任务数量重要，去偏后 GO-1-Pro 提升 15%

链接
arxiv.org

数据配方

AgiBot 团队分析：任务多样性比每任务示范量更重要；高质量单本体数据可高效迁移且微调时 scaling 更好，多本体预训练非必需。操作员风格差异（速度多模态）会伤害策略，对其去偏 [1]。

结果与证据

去偏后的 GO-1-Pro 提升 15%，相当于 2.5 倍预训练数据 [1]。

已知缺陷与口径

作者为 AgiBot 团队，结论基于自家数据与模型。"多本体预训练非必需"与跨本体路线（OXE、π0.5 的 CE）的结论相左，尚无统一定论。

来源

  1. arXiv 2507.06219 (2026-10-14)

相关卡片

跨本体负迁移与数据不均衡概念与方法
多本体混训的权重靠经验，格式统一不等于动作语义统一
AgiBot World数据集 · 中国
智元开源的百万条真机数据，含 2026 年 RL 第三期
Data Scaling Laws in Imitation Learning（32 环境）论文与基准
泛化按幂律随环境与物体数增加，32 个环境-物体对约 90% 零样本

卡片整理 2026-10-14。公司自报数据标“公司口径”；⚠️ 为未经独立核实。