[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"aihot-art-97883":3},{"itemId":4,"vertical":5,"category":6,"source":7,"score":8,"title":9,"summary":10,"analysis":11,"url":12,"coverUrl":13,"direction":13,"marketSignal":13,"publishedAt":14},"97883","ai","论文研究","The Decoder",65,"小米机器人研究显示：训练机器人运动时，更多数据胜过更大模型","小米研究显示，训练机器人运动时，增加数据量比扩大模型更能提升性能，但绝对成功率仍较低。","小米机器人团队用超过10万小时人类手持夹爪采集的运动数据训练机器人，发现增加数据量比扩大模型规模更能提升性能，且效果尚未饱和。\n· 研究使用人类操作员通过摄像头夹爪收集数据，而非机器人自主采集，降低了数据获取成本。\n· 在相同模型规模下，数据量从1万小时增至10万小时，任务成功率提升显著；而模型参数翻倍带来的增益远小于数据翻倍。\n· 尽管绝对成功率仍偏低（如叠衣服任务约30%），但性能曲线未出现平台期，暗示更多数据可继续提升。\n· 该发现与机器人领域“规模法则”趋势一致，强调数据质量与数量在具身智能中的关键作用。\n影响\u002F看点：挑战了“更大模型必然更好”的直觉，为资源有限的团队提供了低成本提升机器人技能的路径，可能推动数据共享与采集标准化。","https:\u002F\u002Fthe-decoder.com\u002Fxiaomi-robotics-1-shows-that-more-data-beats-bigger-models-when-training-robots-to-move\u002F",null,"2026-07-21 16:56:51"]