Recoleta Item Note
Seed2Scale: A Self-Evolving Data Engine for Embodied AI via Small to Large Model Synergy and Multimodal Evaluation
这篇论文提出 Seed2Scale，一个面向具身智能的自进化数据引擎，用极少人工示范启动自动采集、自动验真和目标策略学习。核心思想是让小模型负责高效探索、大模型负责质量评估，再用筛选后的数据训练目标 VLA 策略，从而缓解机器人数据稀缺问题。
embodied-aivision-language-actiondata-scalingself-evolving-datarobot-manipulationmultimodal-evaluation
Summary
这篇论文提出 Seed2Scale，一个面向具身智能的自进化数据引擎，用极少人工示范启动自动采集、自动验真和目标策略学习。核心思想是让小模型负责高效探索、大模型负责质量评估，再用筛选后的数据训练目标 VLA 策略，从而缓解机器人数据稀缺问题。
Problem
- 具身 AI / VLA 模型严重依赖大规模高质量专家示范，但人工采集昂贵，形成数据瓶颈，限制通用机器人策略扩展。
- 现有自动数据生成方法要么只能做局部增强、缺乏主动探索，要么受“embodiment gap”影响，难把视频知识转成可执行机器人动作。
- 更关键的是自动采样的信噪比低；若失败轨迹混入训练，会在自迭代中累积错误并导致模型崩塌，因此需要可靠的自动质量评估。
Approach
- 提出异构协同框架：small-model collection, large-model evaluation, target-model learning。简单说，就是让一个小而快的 VLA 去大量试动作，让一个冻结的 VLM 判断这些尝试好不好，再把高分数据拿去训练最终策略。
- 设计轻量采集器 SuperTiny：用 ResNet-18 处理视觉、T5-Small 处理语言、MLP 处理机器人状态，再用轻量 Transformer 解码动作块；通过时间加权平均让控制更平滑稳定，便于并行 rollout。
- 用预训练 Qwen3-VL-32B 作为验证器，输入任务指令、当前 rollout 视频和参考成功视频，输出 0–10 分质量分数；仅保留高于阈值的轨迹进入银标数据集，减少失败数据污染。
- 从仅 4 条种子示范启动，自迭代执行“训练采集器 → 并行生成轨迹 → VLM 评分过滤 → 扩充数据集 → 训练目标模型”的闭环。
- 目标模型采用 SmolVLA，并通过条件流匹配从筛选后的高质量轨迹中学习更稳健的动作分布。
Results
- 在 4 个 Agibot A2 操作任务上，仅用每个任务 4 条种子示范，平均成功率从 22.18% 提升到 68.57%，相对提升 209.15%。
- 分任务结果：Kitchen Cleanup 24.63% → 71.43%（+190.01%）；Cup-to-Cup Transfer 23.50% → 64.14%（+172.94%）；Can Stacking 7.50% → 65.90%（+778.67%）；Air Fryer Manipulation 33.08% → 72.82%（+120.13%）。
- 自进化扩展性：在最难的 Can Stacking 任务上，跨 8 次自进化迭代训练的目标模型成功率呈持续上升趋势；文中强调趋势稳定，但摘录中未给出每次迭代的具体数值。
- 与 MimicGen 在 GR-1 任务对比时，Seed2Scale 的平均策略成功率 79.63% vs 36.00%；其中 Cylinder Grasp 66.00% vs 37.25%，Wheel Manipulation 93.25% vs 34.75%。
- 在回放成功率上，Seed2Scale 平均 77.41% vs 34.75%；其中 Cylinder Grasp 86.96% vs 21.00%，Wheel Manipulation 67.86% vs 48.50%，说明生成数据质量更高。
- 轨迹质量上，Seed2Scale 接近甚至优于人工示范：Total Variation 1.34（专家 1.32，MimicGen 3.68），Mean Absolute Jerk 0.0047（专家 0.0063，MimicGen 0.0261），HF Ratio 0.30%（专家 0.22%，MimicGen 2.07%）。此外，SuperTiny 仅 48M 参数，推理 38.08ms / 26.3 Hz，快于 ACT（45.67ms / 21.9 Hz）和 Diffusion Policy（135.83ms / 7.4 Hz）。
Link
Built with Recoleta
Run your own research radar
Turn arXiv, Hacker News, OpenReview, Hugging Face Daily Papers, and RSS into local Markdown, Obsidian notes, Telegram digests, and a public site.