外观
新闻量子位7 天前
生数科技直播Motubrain 2.0训练全流程，即将开源具身模型
本文由 AI 根据公开内容整理，可能有误，请以原文为准：生数科技Motubrain团队将直播Physical AI训练全流程，持续半个月（量子位）
核心内容
10月21日，生数科技世界模型团队正式启动Motubrain 2.0训练全流程公开直播，计划持续半个月。作为面向机器人通用能力的具身模型，Motubrain 2.0将在开源前完整展示从训练、测试到能力迭代的研发闭环。此举打破了以往仅通过Demo或论文了解具身智能的局限，直接向开发者呈现模型能力形成过程中的试错与调整细节，为Physical AI实现范式提供透明化参考。
此次公开训练聚焦四大核心技术环节：预训练阶段观测规模对零样本泛化的影响；后训练针对特定任务提升执行力；Agent任务执行探索经验迁移能力；RSI递归自我改进研究模型基于反馈的自主评估与优化。相比大语言模型，该技术路线重点解决动作决策、任务执行及跨本体泛化难题，试图验证具身模型在物理环境中理解环境并完成实际任务的工程可行性。
关键看点
- 四阶段训练公开：直播完整覆盖预训练、后训练、Agent任务执行及RSI递归自我改进四个关键环节，展示模型能力演进全貌
- RSI自主改进机制：专门探索递归自我改进技术，验证模型能否根据执行反馈自主评估并优化行动策略，突破静态训练局限
- 零样本泛化验证：在预训练阶段重点观测训练规模与零样本泛化能力的关系，检验模型在不同任务与本体间的迁移效果
- 开源前透明化验证：在Motubrain 2.0正式开源前率先公开训练黑盒，让开发者直观了解具身模型研发中的具体问题与迭代逻辑
工程与产业观察
生数科技将具身模型训练过程透明化，标志着Physical AI研发从结果导向转向过程可复现。RSI递归自我改进与跨本体泛化的公开验证，为行业提供了评估具身模型真实能力的工程基准。这种开源前的全流程直播模式，有助于消除技术黑盒，加速具身智能算法训练范式收敛与社区协作。
来源
本页事实对应的公开页面，以原文为准。
- 量子位：生数科技Motubrain团队将直播Physical AI训练全流程，持续半个月访问 2026-10-22