Ψ₀ 团队专访：用30小时真机数据实现超40%任务成功率，关键在于数据使用方式

事件概述

在 RSS 2026 上，南加州大学 PSI Lab 团队展示了面向通用人形机器人移动操作的开源基础模型 Ψ₀。该模型使用约 829 小时第一视角人类视频（EgoDex）进行预训练，再利用约 30 小时真机遥操作数据完成机器人控制学习。在 8 个真实世界长程任务中，Ψ₀ 相比公开基线取得了超过 40% 的成功率提升。团队核心观点是：更优秀的训练方式同样决定了机器人模型的能力上限。

核心方法：三阶段训练流程

第一阶段：人类视频预训练
模型使用 Apple Vision Pro 采集的 EgoDex 第一视角人类视频（829 小时）进行预训练，目标是预测下一步人类动作。关键在于是学取两类底层能力：任务语义（建立视觉、语言与任务的对应关系）和视觉表征（第一视角与机器人头部摄像头高度一致，便于迁移）。团队强调高质量视频的关键在于三维手部追踪的准确性，而非分辨率。

第二阶段：真机数据学习精准控制
冻结第一阶段训练好的 Backbone（基于 Qwen3-VL 的视觉语言模型），在其上训练一个新的 Action Head，将视觉语言特征映射为机器人关节控制信号。此举解决了人类动作分布与机器人动作分布不一致的问题。消融实验显示未经预训练的模型成功率仅约 20%，加入预训练后大幅提升。

第三阶段：遥操作数据微调
使用少量领域内遥操作数据微调动作专家，使模型快速适配全新长时序灵巧移动操作任务。论文设置 8 项真实场景评测任务，每项包含 3~5 个子技能，全部任务 30Hz 采样下超过 2000 步。

工程优化：适配真实人形机器人

MM-DiT 动作头：借鉴 Stable Diffusion 3 的双流设计，视觉语言特征和动作特征分别经过各自网络后再通过 Joint Attention 融合，使信息交互更充分。

Real-Time Chunking（实时动作块衔接）：在训练阶段模拟推理延迟、随机遮挡当前动作序列前段，强迫模型根据确定要执行的后段动作提前生成下一段动作，使两段间自然衔接，减少碰撞，提升流畅度且不牺牲成功率。

分层控制架构：VLA 仅负责高层移动与操作决策，底层的平衡和步态交由独立 RL Controller（AMO）完成，降低系统复杂度。

关于具身智能 Scaling 的讨论

团队认为不应盲目追求数据规模，而应“scale the right data in the right way”。对于世界模型与 VLA 路线之争，团队指出当前世界模型表现更优可能只是因为其基础模型更大、训练数据更多，不能直接证明路线更优；世界模型擅长预测像素空间的视频，并不等同于真正理解物理规律。

关于数据价值，团队认为标准是采集成本低、易扩展。过去一年数据路线从仿真数据转向真机遥操作，再转向无本体数据，今年第一视角人类 Ego 数据受关注。对于模型开发者，更关键的是如何把已有数据利用到极致；对于整个行业，仍需持续扩大数据来源。

团队坚定支持大模型路线。模块化管线每步有失败率，串联后累积难以达到极高成功率，而大模型可通过端到端统一流程在某些任务上实现高成功率；且通用能力是机器人商业价值的关键。