当所有人都觉得，机器人的真机数据是 “奢侈品”，只能在最后微调阶段用一点点时，智元团队直接砸了17800 小时—— 相当于一台机器人连续两年、24 小时被人类遥操作的真实数据，做了一次前无古人的预训练。

这不是炫富，而是在改写具身智能的底层逻辑：原来，机器人的 “想象力” 和 “执行力”，可以靠大规模真实数据一起练出来。

一、打破常识：把 “奢侈品数据” 用在预训练阶段

行业里默认的路径是：仿真环境先训模型，最后用少量真机数据微调。因为真机数据太难搞、太贵了，没人敢拿来做大规模预训练。

但 τ0-WM 直接反着来：

• 总数据量约3 万小时，其中1.78 万小时是真实机器人遥操作数据，占比超一半
• 剩下的是开源演示数据和人体交互视频，做补充和泛化
• 参数量达5B，是目前全球规模最大的开源预训练具身世界模型

17800 小时真机数据（蓝色）、6500 小时开源演示数据（黄色）、3000 小时人体交互视频（灰色）

这就像别人学开车，只敢用模拟器练，最后上车只敢跑两圈；而你直接拿了两年的真实上路录像，把每一次刹车、转弯、避让都刻进了模型的 “肌肉记忆” 里。

二、不止 “看动作”，更能 “预演未来”

τ0-WM 的核心，是一个统一的视频 – 动作世界模型。它不只是学 “人做了什么动作”，更要学 “这个动作会导致什么结果”。

它的能力分成了三个关键模块：

1. 动作预测
   
   ：根据当前画面，预测机器人接下来该做什么动作
2. 未来模拟
   
   ：像人类一样在脑子里 “预演” 动作执行后的画面
3. 动作优化
   
   ：从预演结果里，筛选出成功率最高的方案

简单说，以前的机器人是 “边做边看”，做错了再补救；现在的机器人，能先在脑子里把任务 “走一遍流程”，挑出最稳的方案再动手。

[图：τ0-WM 模型架构示意图：输入视频 / 动作 → 共享扩散骨干网络 → 输出未来视频预测 + 最优动作序列]

三、效果说话：400 条数据就能搞定精细操作

预训练的价值，在下游任务里直接体现出来了。在收纳羽毛球、精细装配这类任务上，τ0-WM 展现出了惊人的 “举一反三” 能力：

• 仅需400 条示范数据，就能学会收纳羽毛球这类精细任务
• 成功率超越了同场景下的其他基准模型，甚至能跨不同机器人本体迁移

这背后的逻辑很清晰：预训练阶段的大规模数据，让模型学到了 “物理世界的通用规律”。就像人学会了 “物体受力会运动” 的常识，换个工具、换个场景，也能快速上手。

[图：任务成功率对比柱状图：τ0-WM vs 其他主流模型，标注关键任务的成功率提升幅度]

四、为什么这一步这么关键？

具身智能火了快两年，大家都卡在一个核心问题上：怎么让机器人在真实世界里，又稳又快地学会新任务？

• 仿真训练出来的模型，一到现实里就 “水土不服”，因为真实世界的摩擦力、光照、误差，永远比模拟器复杂
• 少量真机微调，又很难覆盖所有场景，换个杯子、换个桌子，模型就懵了

τ0-WM 的突破，在于它用大规模真实数据，给模型先建立了一个 “贴近现实的世界观”。模型不再是从 0 开始学，而是带着对真实世界的理解，再去学具体任务。

结论：这不是一次 “数据竞赛”，而是路线之争

τ0-WM 的发布，不只是刷新了 “最大规模” 的记录，更是在回答一个行业问题：大规模真机数据，到底能不能成为具身智能预训练的核心燃料？

现在看来，答案是肯定的。它给行业指明了一条新的路径：把 “昂贵的真机数据” 从微调阶段，提前到预训练阶段，让机器人先懂世界，再学技能。

未来，当更多人用上这套开源模型，我们或许会看到，机器人学习新任务的门槛越来越低，上手越来越快。

你怎么看这种 “用大规模真机数据预训练” 的路线？欢迎留言讨论。

#科技前沿 

#具身智能

 #机器人 

#开源模型 

#AI新突破