文章核心观点 - 由上海人工智能实验室、北京大学等团队推出的InternData-A1，通过其“高保真合成数据 + 模块化生成pipeline”的创新方案，首次实现了仅使用纯合成数据预训练的视觉-语言-动作模型在性能上比肩使用顶级真实数据集训练的模型，为突破机器人学习的数据瓶颈提供了全新路径 [1] 当前VLA模型训练的数据困境 - 当前机器人视觉-语言-动作模型训练面临“两难困境”：真实数据保真度高但采集成本极高、规模有限；传统合成数据则存在技能覆盖窄、物理真实性不足等问题，无法同时兼顾规模、多样性、保真度、迁移性、成本与效率 [2] - 具体而言，真实机器人数据（如π-dataset、Agibot World）采集需专业设备与人工，成本高、场景覆盖有限且多为闭源 [2] - 传统合成数据（如GraspVLA、RoboCasa）则技能单一（以抓取为主）、物理模拟与视觉渲染保真度低、生成效率低下 [2] InternData-A1的核心设计与特性 - InternData-A1的核心设计是通过模块化、自动化的生成pipeline，产出具备“多形态机器人 + 全场景任务 + 高保真交互”的大规模合成数据，以直接支撑VLA模型的端到端预训练 [4] - **核心特性1：超大规模与全维度多样性**：数据集覆盖4类机器人形态、70项任务、227个场景，累计包含63万条轨迹、7433小时交互数据 [4][6] - 机器人形态涵盖单臂（如Franka Emika Panda）和双臂（如AgiBot Genie-1）等主流机型 [6] - 任务类型包括抓取放置（占30.61%）、关节操作（占11.67%）、基础复合任务（占35.95%）和长序列任务（占21.77%） [6] - 资产库包含3185个刚性物体、321个关节物体、20种柔性衣物，场景覆盖227个真实室内布局 [6] - **核心特性2：高保真模拟**：通过物理引擎优化与视觉渲染升级，最小化模拟与现实间的迁移差距 [6] - 物理模拟采用Vertex Block Descent模拟柔性物体，用粒子动力学建模流体，精准还原关节物体物理参数 [6] - 视觉渲染支持照片级真实感，结合174种环境地图与随机光照调节 [6] - 通过域随机化自动随机化物体位姿、相机视角（±5°旋转 / ±5cm平移）等，增强模型鲁棒性 [6] - **核心特性3：模块化生成pipeline实现低成本高效量产**：采用“环境构建-技能组合-域随机化-轨迹生成”四阶段解耦流程 [6][8] - 环境构建阶段从资产库自动调用并标注机器人、场景和物体 [8] - 技能组合通过模块化原子技能（抓取、放置等）拼接任务，仅需调整参数即可适配不同场景 [8] - 轨迹生成基于CuRobo运动规划器生成无碰撞轨迹，仅保留成功案例以确保数据质量 [8] - 通过架构优化，该pipeline在8块RTX 4090 GPU上日均可产出209.7小时数据，大幅降低数据获取门槛 [9] InternData-A1的性能验证与对比 - **与真实数据集对比实现性能平权**：在相同π₀模型架构下，仅使用InternData-A1预训练的模型在模拟任务中全面超越基于真实π-dataset训练的官方模型，在真实场景中实现性能持平 [10] - 在模拟场景的49项任务中，Easy模式成功率达60%（超过官方π₀模型5个百分点），Hard模式成功率达26.5%（超过官方π₀模型6.5个百分点） [10][11] - 在真实场景的5项基础与4项灵巧任务中，性能与基于真实π-dataset的模型持平，部分任务（如“放置马克笔”）成功率超过90% [11] - **模拟-现实迁移效率高**：在10项代表性任务中零样本迁移成功率超过50%，仅需1600条模拟数据即可匹配200条真实数据的效果，部分基础任务实现1:1性能对标 [11] - 对于基础任务（如垃圾分类），200条模拟数据性能比肩200条真实数据 [20] - 对于复杂任务（如包裹翻转），1600条模拟数据即可匹配真实数据效果，数据成本仅为真实采集的1/10 [20] - **与开源数据集对比全维度领先**：相较于RoboCasa（合成数据）、Agibot World（真实数据）等开源方案，InternData-A1预训练模型在模拟任务中成功率领先10%-27.5个百分点，在真实任务中平均领先57.7个百分点 [14][15] - **消融实验验证数据多样性关键性**：禁用不同数据组件后模型性能显著下降，证明任务多样性对预训练至关重要 [16] - 移除长序列任务导致Hard模式成功率下降6个百分点 [16] - 移除关节操作任务导致整体成功率下降7个百分点 [16] 核心结论与行业意义 - 合成数据的规模化是VLA模型通用化的关键，InternData-A1证明足够规模、多样性与保真度的合成数据可完全替代真实数据进行预训练，打破数据采集瓶颈 [21] - 模块化pipeline是数据量产的核心，其解耦架构与自动化流程实现了“低成本、高质量、大规模”的数据生成，为社区提供了可复用的工具链 [21] - 模拟-现实迁移的关键在于“保真度 + 域随机化”，照片级渲染与多维度随机化设计大幅缩小了模拟与真实环境的差距 [21] - 该数据集及生成pipeline的开源，降低了机器人预训练数据的获取门槛，揭示了合成数据在机器人领域的巨大潜力，有望推动VLA模型向“低成本、高泛化、可规模化”方向快速发展 [22] 未来发展方向 - 扩展任务与形态覆盖，例如新增高精度灵巧任务（如精细装配）和更多机器人形态（如人形机器人） [19] - 进行多模态数据增强，融入触觉、声音等模态信息以提升复杂场景适应性 [25] - 端到端pipeline优化，通过强化学习自动优化任务组合与参数配置，进一步降低人工干预 [25]

π₀模型结构 - 核心架构基于预训练视觉语言模型(VLM)和Flow Matching技术，包含VLM backbone、动作专家和跨具身训练组件[3] - 整合7种机器人、68项任务、超10,000小时数据，通过权重调整处理不同机器人的动作空间差异[3] - 训练流程基于PaliGemma VLM，融合多模态输入(图像编码器、语言编码器、proprioceptive state编码器)[3] - 独立子网络(3亿参数)负责将VLM输出转换为连续动作，采用流匹配技术生成高频率动作序列(最高50Hz)[3] π₀优势与功能 - 零样本直接执行任务，通过语言提示控制机器人无需额外微调[4] - 支持复杂任务多阶段微调，如叠衣服分解为多个步骤[4] - 语言指令跟随与高层策略集成，提升语义理解与任务规划能力[4] - 高频率精细操作(50Hz)适用于折叠衣物、组装盒子等任务[4] - 单模型适配多种机器人形态，降低部署成本[4] π₀性能分析 - 开箱即用性能：在餐桌清理等任务中指令跟随准确率比π₀-small高20%-30%[4] - 衬衫折叠成功率接近100%，远超OpenVLA[6] - 复杂清理任务正确分类物体数量比Octo高40%[6] - 预训练+微调流程实现60%-80%任务完成度，显著优于从头训练[7] π0.5模型结构 - 采用双阶段训练框架和分层架构，基于Transformer的视觉-语言-动作(VLA)模型[7][9] - 分层推理机制：高级语义子任务预测+低级动作生成[9] - 动作表示融合离散标记(FAST tokenizer)和连续表示(流匹配)[9] - 预训练阶段使用400小时移动机器人数据+非移动机器人数据+网页多模态数据[9] π0.5优势与功能 - 异构数据驱动泛化，实现从未见场景中的任务执行[13] - 长时程任务处理能力，支持10分钟以上连续操作[13] - 零样本语义理解，基于网页数据预训练理解未见过物体[13] - 在"盘子入水槽"等任务中成功率比π0高25%-40%[12] - 离散-连续动作混合训练比纯扩散模型效率高3倍[12] π0.5性能分析 - 真实家庭环境中多阶段任务成功率达60%-88%，任务时长10-15分钟[23] - 随训练环境增加性能持续提升，"整理床铺"成功率从30%升至80%[24] - 跨实体数据移除后任务性能下降20%-30%[24] - 网页数据对未知物体泛化至关重要，移除后成功率从60%降至30%[24] A0模型结构 - 采用分层架构设计：高层空间Affordance理解+低层动作执行[21] - 核心组件包括Position Offset Attention和Spatial Information Aggregation Layer[22][25] - 预训练与微调策略：100万接触点数据集预训练+标注轨迹数据微调[25] A0优势与功能 - 跨平台泛化能力，可在多种机器人平台无缝部署[26] - 高效空间推理，避免密集空间表示的高计算成本[26] - 数据利用效率高，少量任务特定数据即可适应新场景[26] - 可完成擦黑板、物体放置、开抽屉等需要空间推理的任务[26] A0性能分析 - Franka机器人平均成功率62.5%，开抽屉任务成功率75%[27] - Kinova机器人平均成功率53.75%，轨迹跟踪任务比基线高20%[27] - 擦黑板任务成功率比MOKA高15%-20%，比ReKep高约20%[27] - 在Kinova平台擦黑板任务中成功率50%，远超RDT-1B(10%)和π₀(35%)[27]

π₀模型结构 - 核心架构基于预训练视觉语言模型(VLM)和Flow Matching技术，包含VLM backbone、动作专家和跨具身训练组件[3] - 整合7种机器人、68项任务、超10,000小时数据，通过权重调整处理不同机器人动作空间差异[3] - 训练流程继承PaliGemma VLM的语义知识，融合多模态输入(图像/语言/物理状态)[3] - 独立子网络(3亿参数)将VLM输出转换为连续动作，流匹配技术实现50Hz高频率动作序列生成[3] π₀优势与功能 - 零样本直接执行预训练覆盖的语言提示任务(如"fold shirt")[4] - 支持复杂任务多阶段微调(如叠衣服分解为4个子步骤)[5] - 语言指令跟随能力可将高层任务(如"bus the table")分解为子任务序列[6] - 流匹配技术实现50Hz精细操作，适用于衣物折叠等高精度场景[7] - 单模型适配多种机器人形态，降低部署成本[10] π₀性能分析 - 开箱即用性能：在餐桌清理等任务中指令跟随准确率比π₀-small高20%-30%[11] - 微调效率：预训练类似任务仅需1-5小时数据微调，全新任务性能比从头训练提升2倍[11] - 复杂任务表现：叠衣服等任务通过"预训练+微调"实现60%-80%完成度[11] - 衬衫折叠成功率接近100%，复杂清理任务正确分类数量比Octo高40%[12] π0.5模型结构 - 采用双阶段训练框架和分层架构，基于Transformer实现多模态序列编码[13] - 分层推理机制：高级语义子任务预测+低级动作生成，结合离散/连续动作表示[16] - 预训练阶段使用400小时异构数据(97.6%非移动机器人数据)[16] - 后训练阶段引入动作专家模块优化实时控制，SigLIP视觉编码器(400M参数)+Gemma语言模型(2.6B参数)[16] π0.5优势与功能 - 异构数据驱动泛化：在未见过场景中执行任务，支持10分钟以上长时程操作[18] - 离散-连续混合训练比纯扩散模型效率提升3倍[17] - 多场景适应性：家庭环境清洁/整理任务，跨实体迁移学习能力[20] - 数据效率突破：仅用400小时移动数据(占2.4%)实现强泛化[21] π0.5性能分析 - 真实环境表现：未训练家庭中多阶段任务成功率60%-88%，单任务耗时10-15分钟[25] - 数据规模影响：104个训练位置时性能接近测试环境基线(差距<5%)[26][27] - 关键数据源：跨实体数据移除导致性能下降20%-30%，网页数据对未知物体泛化至关重要[28] A0模型结构 - 分层架构设计：高层空间Affordance理解+低层动作执行[29] - 核心组件包括Position Offset Attention和Spatial Information Aggregation Layer[30] - 预训练策略：100万接触点数据集预训练+标注轨迹微调[31] A0优势与功能 - 跨平台泛化：支持Franka/Kinova等机器人平台无缝部署[34] - 高效空间推理：通过接触点预测降低计算成本[34] - 数据利用效率：少量任务数据即可适应新场景[34] A0性能分析 - Franka机器人平均成功率62.5%，开抽屉任务达75%[35] - Kinova机器人轨迹跟踪任务成功率比基线高20%[35] - 擦黑板任务成功率比MOKA高15%-20%，执行步骤仅为RDT-1B的1/8-1/10[35]