机器人训练比数据量更麻烦的问题：数据是否解决了模型问题

机器人训练领域，有一个问题比“数据够不够多”更棘手：收集到的数据，到底能不能解决模型本身存在的问题。

这是作者重新关注@axisrobotics的原因。目前Axis Hub已经积累约691万条机器人轨迹，拥有22.2万用户。

这个数据规模很大，但如果只是不断增加相似任务，数据量增长和机器人能力提升，并不一定是同一回事。

Axis V1的逻辑很直接：由人类进行遥操作，系统完成验证，合格数据会进入训练流程，这套方案简单高效，也方便规模化收集数据。

到V2版本，整体思路发生了改变。采用human-gated DAgger（人闸 DAgger）方法后，机器人先自主运行，人类不需要从头开始演示，只在机器人快要失败时接管操作，只保留真正卡住模型的那一段数据。

在一次测试中，660条人工纠正数据最终只有161条通过闭环验证进入训练。这个小数字反而说明，Axis开始关注的不再是“收集了多少数据”，而是“哪些数据真的值得用于训练”。

Compounding Data Engine遵循同样的逻辑：模型先运行，找到存在的问题，再针对问题补充数据，训练完成后重新测试。最新的Open Axis Benchmark还将评测接入了这个循环。

任务会不断轮换，模型在哪类任务上反复出错，就针对性补充哪类数据。这套方法的真正价值在于，数据生产开始围绕模型的实际短板展开，而非单纯追求轨迹数量。

目前Axis已经取得了部分测试结果：π0.5在LIBERO-Plus上的性能从83.9提升到88.8，Booster Robotics的真机成功率从37.5%提升到了87.5%。

这套方案仍有几个待解决的问题：更换机器人、更换环境后数据能否复用，众包数据质量能否长期稳定，模型能力提升后能否持续找到值得补充的数据。如果这些问题得到解决，Axis的价值可能不止于一个机器人数据平台。