“人本”采集 助力具身模型加速进化

模型范式从直接预测动作（RIP VLA）转向预测未来世界+动作（WAM），数据需求也随之变化。

01 模型范式变化：从“观察→动作”的反应式策略（VLA）转向用未来世界状态作为额外监督和中间表征（WAM）。

• VLA：视频帧作为密集监督，动作标签作为主要训练信号。
• WAM：未来状态预测与动作预测共同作为训练信号，更充分利用物理交互序列。

02 数据需求变化：视频中的物理交互序列成为更密集的训练信号。

• WAMera数据不仅需要动作标注，更要覆盖真实世界状态变化。

03 数据入口变化：需要低成本、多场景、少本体鸿沟的数据采集方式。

• 瓶颈：如何低成本地持续采集真实、多样、可对齐的人类操作数据。
• 答案：UMI数据（多样性+无本体化）。

为什么是UMI：

• ① Diversity上限更高：手持/穿戴式采集，任务、物体、环境覆盖面远高于单一机器人遥操作。
• ② Cross-embodiment gap更低：共享视角/轨迹/夹爪接口，减少人类示教、不同机械臂、末端执行器之间的本体差异。

UMI的核心价值：

• 更容易做长尾任务采样。
• 更适合构建真实世界数据飞轮。
• 训练数据更容易跨硬件复用。
• 为WAM/VLA提供更稳定的动作监督。

结论：

• WAM需要“会动的世界数据”；UMI把真实人类操作变成可规模化、可对齐、可泛化的数据资产。

存储瓶颈与解决方案：

• VLA大模型训练规模化后，存储成为关键瓶颈（多机共享不足、数据分散、存储带宽瓶颈）。
• 腾讯云COS+GooseFS高性能共享存储实现模型生产效率跃升：
  • 统一管理多机协同。
  • 安全可靠（全量写入COS降低数据丢失风险）。
  • 高效训练（GooseFS多机共享能力及40 Gbps吞吐性能）。
  • 数据闭环（支撑数据采集、预处理、训练与推理全流程）。

Livsyn产品体系：

• 从采集设备到数据平台，面向VLA/WAM的端侧无本体采集设备+LDP数据平台+训练评测闭环。
• 从UMI采集到WAM训练：端云一体化数据闭环。
  • 核心价值：同一套无本体数据资产，既服务VLA，也为WAM提供世界状态预测所需的视频序列。

LivUMIGrip：

• 轻量化手持夹爪与多模态传感器融合，记录真实世界中的操作行为。
• 关键能力：无本体UMI、空间定位（8mm/1mm）、触觉+视觉同步（0.1N触觉分辨率）。

LivUMI Ego：

• 第一视角多模态人类操作采集。

LDP到模型训练：

• 平台不是单点工具，而是把采集、管理、训练、部署贯穿起来的基础设施。