先看证据
把机制串起来
机器人学习里的关键难点，不只是看懂任务，而是把观察转成能在真实身体上执行、并能根据结果调整的动作。人类第一视角视频便宜且量大，但人手和机器人手臂、手掌并不相同；视频里也通常没有机器人关节、触觉等完整信号。
Dyna-2接收过去的视频、语言指令和机器人本体状态，联合预测未来视频状态与机器人动作；预测未来画面，意在让策略先形成对动作后果的判断，而不只从当前图像直接映射到动作。官方报告称其以视频扩散骨干为基础，用不同Transformer处理视频、动作等模态，并以flow matching训练。人类视频不是天然带有机器人动作标签：Dyna从筛选后的视频提取3D手部姿态，再用手腕轨迹及拇指—食指开合构造伪动作监督，因此仍依赖处理和筛选。报告的规模实验显示，增加人类视频预训练数据与内部机
['适合有视觉操作共性、且可用少量机器人数据适配的任务。', '先区分模型指标与整机工作流表现，避免把演示归因于单模型。', '部署前验证故障恢复、硬件耐久与触觉需求，不能只看离线分数。', '瓶盖任务报告约10分钟后训练数据；不代表所有新任务都只需此量。']
先把“自主一小时”拆开看
Dyna Robotics提出Dyna-2，一种以人类操作视频预训练的世界—动作模型，目标是让机器人利用视觉、身体状态和语言指令预测接下来会发生什么，并据此生成动作。随后推出的Dyna-2.1，则是部署在Taku机器人上的物理智能体系统，面向洗衣等需要连续执行多个步骤的工作流程。两者相关，却不是同一个东西：前者是模型，后者把模型放进了机器人系统里。
这一区分决定了该如何理解“小时级自主”。Dyna-2.1官方介绍展示了一段约一小时的洗衣流程，但长时间运行并非单个模型不间断地独立决策。它依赖工作流编排器、策略模型、全身控制器和实体硬件协作。对技术负责人来说，真正的问题因此不是模型能否生成足够长的动作，而是系统能否在任务状态变化、动作执行和故障恢复之间保持闭环。
世界预测如何变成机器人动作
Dyna把Dyna-2称为world-action model，核心思路是联合处理未来世界状态与机器人动作。模型接收过去的视频、本体状态（例如关节信息）和语言指令，预测未来视频或状态，并生成机器人可执行的动作。与只把视觉输入映射到动作的路线相比，这种设计试图让“接下来世界会怎样”成为动作选择的一部分，而不是把动作当作孤立的输出。
模型建立在视频扩散骨干上，用不同Transformer处理视频和动作等模态，并以flow matching训练。不过，人类视频并不会天然提供机器人可用的动作标签。Dyna称，它先筛选操作视频，再从中提取三维手部姿态，以手腕轨迹和拇指、食指的开合信号构造伪动作监督。因此，“用人类数据预训练”不是完全不需要动作信息，而是把昂贵的机器人动作采集，部分替换成从人类影像中推导监督信号。
规模证据有进展，也有边界
Dyna报告的关键证据，是把人类视频预训练规模从1,000小时逐级扩到10,000、100,000和1,000,000小时。在14项任务的平均归一化表现上，公司报告的数字依次为20%、28%、45%和53%。这组结果支持一个具体判断：在这套训练与评测设置中，增加人类视频数据与更好的机器人任务表现相关，而提升并非只出现在从小规模到中规模的阶段。
但它仍是公司报告的内部结果，不等于外部独立验证，也不等于机器人已经能直接从人类视频学会任意任务。报告还称，规模比较涉及39项保留的离线机器人任务；另在14项实体机器人任务上评估经过机器人数据后训练的模型，每项任务最多使用10小时机器人数据。换言之，结果展示的是大规模人类视频预训练与有限机器人后训练的组合，而不是完全取消机器人数据。人和机器人的身体形态不同，这道具身差距仍需要数据和系统设计共同处理。
长流程靠分层系统接力
Dyna-2.1把长任务拆成不同层次：工作流编排器追踪当前进度并决定下一步，Dyna-2策略生成全身目标轨迹，全身控制器再把轨迹转成关节目标和轮速。官方将一个洗衣周期描述为13个决策点，并展示约一小时的流程。这个结构说明，所谓长时自主更像是多层组件之间的接力，而不是把一个模型的单次推理时间拉长。
这种拆分对实际部署有直接启发。策略模型负责在感知和动作之间泛化，编排器负责维持任务层面的状态，控制器负责把意图落到可执行的运动上。它也让故障归因更清楚：流程停住，可能是任务状态判断出错、策略未生成合适轨迹、控制执行失败，或硬件无法稳定完成动作。只公布总任务成功率，无法告诉工程团队瓶颈在哪一层。
部署判断不能止于演示
Dyna的材料同时指出，灵巧手耐久性、硬件稳定性和数据获取仍是限制因素；仅靠视觉的视频世界模型也可能缺少触觉、声音等信息。对需要处理真实物体的工作来说，这些不是外围问题：模型预测的状态如果无法从接触或异常中得到足够反馈，执行越久，误差累积和恢复能力就越重要。把机器人放进完整工作流，能处理一小时任务是证据，但不是对所有环境都可靠的证明。
因此，评估这类系统时，技术团队应把“持续工作”拆成可核查的条件：任务各决策点是否成功，出现偏差后能否恢复，模型、编排、控制和硬件各自承担什么责任，以及结果能否在目标场景重复。Dyna-2提出了一个有吸引力的研究方向——用更容易扩展的人类视频改善机器人能力；Dyna-2.1则展示了把模型嵌入分层系统的方式。现阶段合理的判断是把它视为值得验证的架构与数据假设，而不是把一段小时级流程直接外推成通用机器人已经到来。