Axis拆分高难任务为Challenger Program，按能力分配贡献者

Axis 最近将一部分高难度任务拆分出来，单独设立了 Challenger Program。这批任务不对所有贡献者开放，会先筛选贡献者再开放任务，奖励提升至普通任务的 2 到 3 倍。

但更值得关注的不是奖励，而是 Axis 开始按照贡献者的能力分配任务。目前 Axis 已经积累了几百万条模拟轨迹（simulation trajectories），早期阶段的核心目标是扩大数据规模，当数据规模达到一定程度后，面临的问题自然发生变化。

同一项机械臂任务，不同贡献者产出的数据质量差异很大。有的人完成动作流畅、路径短，几乎没有多余调整；有的人虽然最终也能完成任务，但过程中需要多次修正。从任务结果来看两者都算成功，但用来训练模型，效果完全不同。

因此，Challenger Program 的筛选规则十分关键，筛选会参考历史任务覆盖情况、预训练（pre-training）和后训练（post-training）的参与情况、验证通过率，还会对比同一任务中不同贡献者的表现和稳定性。

这套筛选不再单纯看贡献者完成了多少任务，而是判断谁更适合处理复杂数据。这一步是发展的必然结果。简单的抓取、移动任务，可以继续依靠大量贡献者扩大覆盖范围，但复杂操作、长动作链、模型失败后的修正，本来就不适合完全随机分配给所有贡献者。

这类任务对数据操作质量更敏感，机械臂接触物体的时机、路径是否存在多余动作、失败后的修正方式，最终都可能影响训练结果。因此，Axis 当前做的，相当于给自己的数据网络增加一层筛选机制：简单任务继续扩大数据量，高难度任务交给历史表现更稳定的贡献者，最终再通过验证决定保留哪些数据。

这比单纯继续增加轨迹数量更重要，因为数据达到几百万条之后，真正困难的已经不是能不能采集更多数据，而是新采集的每一条数据是否真的具有训练价值。

目前 Challenger Program 只是先拆分出高难任务这一层，未来如果 Axis 继续匹配任务难度、贡献者能力和最终数据质量，这套数据网络就会从「很多人采集数据」转变为「不同的人生产不同价值的数据」，两者差异很大。本内容仅为个人研究记录，请自行研究判断。