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。

(资料图片仅供参考)

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”。

过去，外界了解具身智能技术进展，主要通过机器人Demo、评测结果和论文。模型经历了怎样的训练、不同阶段的能力如何变化，通常很难直接观察。

Motubrain 2.0 选择公开从训练、测试到能力迭代的全过程，希望让外界看到模型如何逐步形成能力，也能看到训练中的失败、试错和调整。

对于具身智能行业而言，这种方式让模型研发过程更加透明。研究者和开发者不仅能看到最终结果，也有机会了解训练中遇到的具体问题，以及团队如何通过实验和反馈不断改进模型。

同时，团队也希望借助此次直播，与技术同行分享研究中的经验、问题和思考，共同探讨规模化训练、跨任务泛化和自主改进等关键问题，为Physical AI实现范式的探索提供更多参考。

当然，相关研究仍处于探索阶段，具体效果还需要后续实验和评测验证。相比只展示机器人最终能做什么，公开模型如何训练、能力如何形成，同样具有研究价值。

关键词： 生数科技 大模型训练 Physical AI