新闻/雷峰网·8 天前

生数科技直播Motubrain 2.0训练全流程并计划开源

生数科技启动为期半月的Motubrain 2.0具身模型训练直播，覆盖预训练、后训练、Agent执行及RSI递归自我改进四阶段，探索规模效应与零样本泛化，后续将开源代码与权重。

AI 整理

• 仿真与训练
• 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（雷峰网）

核心内容

生数科技世界模型团队于10月21日正式开启Motubrain 2.0 Physical AI模型训练全流程公开直播，计划持续半个月。此次直播旨在打破具身模型研发“黑盒”，完整展示从预训练、后训练到能力迭代的全过程，包括训练中的失败案例与试错调整。团队明确表示Motubrain 2.0将在验证后开源，为行业提供可复现的Physical AI实现范式参考。

技术层面，直播内容涵盖四大核心环节：预训练阶段观测数据规模对零样本泛化的影响；后训练阶段针对特定任务微调以提升执行力；Agent任务执行环节验证跨任务迁移能力；以及RSI（递归自我改进）机制探索，研究模型基于反馈自主优化行动策略的能力。该流程重点解决Physical AI在动作决策、物理环境理解及跨场景泛化等工程难题，具体性能指标仍待后续评测验证。

关键看点

• 训练透明化：公开直播Motubrain 2.0从预训练到迭代的全周期，展示失败试错与参数调整细节，打破具身模型研发黑盒
• RSI机制探索：研究递归自我改进技术，验证模型能否根据执行反馈自主评估并优化行动策略，提升自主进化能力
• 泛化能力验证：通过预训练与Agent任务执行环节，观测数据规模效应对零样本泛化及跨任务迁移能力的具体影响
• 开源承诺：Motubrain 2.0在完成实验与评测验证后计划开源，为开发者提供具备通用能力的具身大脑底座

工程与产业观察

生数科技通过直播形式将具身模型训练过程工程化、透明化，不仅验证了Physical AI在规模效应与RSI机制上的技术路径，更为行业提供了从数据到策略的完整研发参照系。这种“过程开源”比单纯发布权重更具工程价值，有助于社区快速定位训练瓶颈，加速具身智能从Demo走向可复现的产业级应用。

来源

本页事实对应的公开页面，以原文为准。

1. 雷峰网：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