一句话看懂：研究者开源了 5 万小时第一人称人类视频语料及配套预训练流程，并展示预训练时长与机器人下游任务成功率之间存在经验性的对数线性关系。
事件核心：发生了什么
根据 2026 年 11 月 4 日 alphaXiv 页面公开的论文摘要，研究团队发布了 Open-HumanScale，称其为首个完全开放的“第一人称视频扩展配方”，核心资产是 Open-HumanScale-50K：从 HumanNet、EgoDex 等五个公开来源整合、经清洗并标注手部运动与自然语言的 5 万小时语料，约含 3590 万个精选片段。
基于该语料，团队训练了纯人类视频预训练的世界—动作模型 HumanWAM-Vanilla，并给出数据量与下游成功率的经验性对数线性规律。机器人后训练后，该模型在 RoboTwin 2.0 的 Clean2Clean 条件下达到 92.08%，Clean2Random 为 68.88%；在 RoboDojo 上平均成功率 14.17%。此外，联合人类与机器人数据预训练的 HumanWAM-Goal 在 RoboTwin 2.0 上将 Clean2Random 提升至 84.60%。
为什么重要
机器人演示数据采集成本高、覆盖面窄，而人类第一人称视频数量庞大。这项工作的价值在于提供一套可复现的数据清洗、标注和对齐流程，并用受控实验说明：人类视频对机器人策略的增益主要体现在泛化条件而非训练内条件。摘要还显示，在相同小时数下，人类视频预训练在 500 至 5000 小时区间优于机器人数据预训练，100 小时时则略逊。不过这些比较均限定在论文设定的后训练与评测协议内，且对数线性规律是经验结果，不宜外推为通用定律。
对用户/开发者/创作者的影响
对具身智能开发者，团队开源了语料、数据处理与预训练管线、预训练及后训练 checkpoint、推理代码和仿真评测套件，可降低复现与二次实验的门槛，适合在自有机械臂场景上做后训练验证。对内容与数据从业者，有价值的不仅是视频时长，还包括手部可见性、动作稳定性等筛选标准，这提示数据采集和标注规范本身可能成为差异化能力。对普通用户，目前公开信息仍是研究阶段成果，距离可直接使用的机器人应用还有距离。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是开源语料的实际质量与许可条款是否支持商用；二是论文报告的增益能否在真实硬件和更多任务上复现；三是联合人类—机器人数据路线是否会被更多团队跟进，形成新的数据生态。以上判断基于摘要与页面信息，论文细节仍待查阅原文。
来源：alphaXiv
