新闻Hugging Face 社区博客（混合发现）（via AIHOT）今天
ToyBlocks仿真框架：单GPU并行规划提速24倍，支撑具身模型训练
本文由 AI 根据公开内容整理，可能有误，请以原文为准：ToyBlocks: A controlled world for robot learning and evaluation（Hugging Face 社区博客（混合发现）（via AIHOT））
核心内容
研究团队推出面向机器人学习与评测的受控世界框架FoundationWorlds，其首个实例ToyBlocks构建了基于机械臂与桌面方块的开放仿真环境。该框架核心突破在于高效数据生成能力，可在单块GPU上并行执行数百个运动规划任务，最高达到24倍实时速度，显著降低了具身智能研究中高质量演示数据的获取门槛。
技术架构上，ToyBlocks支持域随机化及强化学习、运动规划等多种技能生成范式，实现了从环境构建到模型训练的闭环验证。该环境已成功应用于双层模型训练：高层采用Molmo 2进行语义推理与任务规划，低层利用ManiFlow模型执行精细动作控制，为具身大模型的端到端评测提供了标准化基准与可扩展的数据管线。
关键看点
- 仿真加速：单块GPU并行执行数百个规划任务，最高达24倍实时速度，大幅提升数据生成效率
- 数据闭环：支持自动生成任务指令与演示轨迹，集成域随机化与RL/运动规划算法生成多样化技能
- 模型验证：作为标准评测环境，成功支撑Molmo 2高层推理与ManiFlow低层动作模型的联合训练
工程与产业观察
ToyBlocks通过高并发仿真解决了具身智能“数据饥渴”痛点，24倍实时速使单机大规模合成数据成为可能。其分层模型验证范式为VLA架构提供了可复现的评测基准，对降低算法研发成本、推动仿真到真机迁移具有直接工程参考价值。
线索来源：AIHOT
延伸选型与深度对比
基于本页技术方向关联的整机参数、核心零部件、实测报告与同赛道选型横评。
宇树 G1
Franka FR3来源
本页事实对应的公开页面，以原文为准。