HumanScale

数据配方

对比同等规模的第一视角人类视频与遥操真机轨迹作为预训练数据。第一视角数据经精心设计的过滤与标注管线处理；提出"第一视角预训练 + 少量真机数据适配"的范式 [1]。

结果与证据

同等预训练数据量下，真机动作预测验证损失低 24%，域内真机任务成功率高 52.5%，OOD 高 90%（摘要口径）[1]。正文细节：5,000 h 时 OOD 成功 90.0% 对 0.0%（对照 Wan2.2 基线）、域内 92.5% 对 40.0%；未见任务上真机数据 scaling 无一致提升（损失约 0.025），第一视角由 0.0234 降到 0.0204（100→5,000 h）[2]。

已知缺陷与口径

预印本，对照设计待复核。结论与 Brooks（触觉缺失）、Goldberg 的怀疑形成对立。接触密集任务与拾放任务是否同样成立，尚无证据。

来源

1. arXiv 2606.20521 (2026-10-14)
2. https://arxiv.org/html/2606.20521 (2026-10-14)