EgoScale

英伟达 2026 年的工作：用 2 万小时第一人称人类视频预训练灵巧手 VLA。

EgoScale 是英伟达 GEAR 实验室联合 UC 伯克利、马里兰大学于 2026 年 2 月发布的论文，想回答人类视频能否大规模教会机器人用多指灵巧手干活。做法分三步：先从 20,854 小时带动作标注的第一人称人类视频里提取手腕运动，并把人手姿态重定向到 22 自由度 Sharpa 灵巧手的关节空间，预训练一个结构与 GR00T N1 相近的流匹配 VLA；再用少量「人和机器人在相同场景做相同动作」的对齐数据做中训练；最后在具体任务上后训练。论文发现人类数据量与验证损失呈对数线性的缩放关系，相比不用人类预训练，平均成功率提升 54%。

例子在装了 22 自由度 Sharpa 灵巧手的星海图 R1 Pro 上，只给 1 条机器人演示，叠衬衫的平均成功率最高达到 88%；换到三指手的宇树 G1 上，人类预训练仍带来 30% 以上的绝对提升。

相关

第一人称视频、人类视频预训练、灵巧操作、缩放定律、中训练、GR00T N1 系列

来源

EgoScale: Scaling Dexterous Manipulation with Diverse Egocentric Human Data (arXiv 2602.16710)
EgoScale 项目页（NVIDIA GEAR）

信息截至

2026-02