智能体与自主科学
突破级
暂无讲解视频
收录解读
这篇论文抓住了 embodied AI 一个非常实际的瓶颈：高质量交互数据难扩、纯大模型自举容易塌缩、而少量人工示范又远远不够支撑通用能力增长。作者把问题重写成“如何做一个能自我扩展的数据引擎”，而不是只讨论某个 VLA 模型结构本身。
Seed2Scale 的核心是异构角色分工：小模型负责并行采集和探索，大模型负责评估和打分，目标模型则从筛过噪声的数据中学习。具体来说，它用轻量 VLA `SuperTiny` 作为 collector，以强 inductive bias 支撑广覆盖探索；同时用预训练 VLM 做 verifier，对海量轨迹做成败判断和质量排序，从而把少量 seed demonstrations 扩展成可持续增长的数据闭环。
这条路线对 embodied intelligence 很重要，因为它把“模型自提升”落在 data engine 上，而不是继续把改进全部压给参数规模或单次训练配方。作为 small-to-large synergy 与 multimodal evaluation 驱动的数据生产系统，它对机器人自举、自动数据采集、以及通用 embodied foundation policy 的后续训练都有明显工作流价值。
它还不到更高一级，主要因为目前的证据仍然集中在数据扩展闭环和 success-rate 提升，距离成为通用 embodied self-evolution 蓝图还差更多跨平台、跨任务、跨执行器验证。