生数科技将直播 Motubrain 2.0 具身模型训练全流程，为期半个月
具身模型的训练过程通常不对外公开，这次把从预训练到自我改进的四个环节连续直播半个月，可以看到能力是怎么一步步形成的。
继大模型公开训练进展之后，Physical AI（物理人工智能，指让 AI 理解物理环境并通过机器人执行实际任务的模型）也开始打开训练过程。生数科技世界模型团队 10 月 21 日起直播 Motubrain 2.0 的训练全流程，为期半个月，覆盖预训练、后训练、Agent 任务执行和 RSI（递归自我改进，指模型根据执行反馈评估并改进自身行动）四个环节，并计划在开源前公开失败与调整过程。
正文摘录
.png) 大模型训练过程，开始更多地出现在公众视野中。 此前，小米 MiMo 负责人罗福莉公开了 MiMo-V2.6 强化学习阶段的训练进展，让外界看到了大模型训练中的一些具体细节。 现在，Physical AI 领域也有了类似尝试。 10 月 21 日，生数科技世界模型团队正式开启 Motubrain 2.0 训练全流程公开直播，计划持续半个月，向公众展示具身模型的训练过程及研究进展。 这次直播关注一个问题：Physical AI 究竟如何实现？ Physical AI，即物理人工智能，希望让 AI 能够理解物理环境，并通过机器人完成实际任务。相比大语言模型，Physical AI 还需要解决动作决策、任务执行和跨场景泛化等问题。 Motubrain 系列是生数科技研发的具身模型，致力于为机器人构建具备通用能力的“大脑”，探索不同任务、场景和机器人本体之间的能力泛化。 Motubrain 2.0 即将开源。在正式开源前，团队选择率先公开其训练全流程，向外界展示这款模型从训练、测试到能力迭代的过程。 此次公开训练涵盖四个环节： 1、预训练：观察训练规模对模型性能及零样本泛化能力的影响。 2、后训练：针对具体任务进一步训练，提升任务执行能力。 3、Agent 任务执行：探索模型能否将已有经验迁移到其他任务。 4、RSI（递归自我改进）探索：研究模型能否根据执行反馈评估并改进自身行动。 此次直播的特别之处，是尝试打开具身模型训练的“黑盒”。