Motus2（13 万小时第一视角构成）

数据配方

第一视角原始约 12.99 万 h（过滤前）：开源约 87%（112,500 h）、采购约 8%（10,400 h）、混合（Ropedia）约 5%。Egocentric-100K 100,500 h，Egocentric-10K 10,000，Ropedia 7,000，EgoScale（egoscale.com 数据公司） 6,000，JD-Group 2,000，LightWheel/CyberOrigin/EgoVerse 各 1,200，EgoDex 800 [1][2]。Wuji 手套对齐数据数十小时，中训练合计 100 多小时；过滤后小时数与采样权重未报告。

结果与证据

五任务宏平均（每任务 20 次）：π0.5、WAN-SFT 0%，仅预训练 51%，Motus2 84%（Midtrain +33 pt）。Put Phone 与 Multi-Finger 两任务平均（另一口径）：65.0→加规划 67.5→加 MBRL 72.5→两者 75.0 [2]。自拟 scaling：L ≈ 0.101 − 0.005·ln D（D 为双目人类数据 h，拟合 2k–20k h）。

已知缺陷与口径

π0.5 是唯一外部基线且得 0%，不对等；评估器与策略同模型。Egocentric-100K 约占 77%，10K+100K 约 85%。EgoScale（egoscale.com 数据公司）"采购"为表内标注，其论文未披露采购与成本。

来源

1. arXiv 2608.30237 (2026-10-14)
2. https://arxiv.org/html/2608.30237 (2026-10-14)