Dyna Robotics apresenta Dyna-2: modelo mundo-ação pré-treinado em 1 milhão de horas de vídeo humano

A Dyna Robotics anunciou o Dyna-2, um modelo mundo-ação (world-action model, ou WAM) para manipulação robótica, pré-treinado com mais de 1 milhão de horas de vídeo humano egocêntrico — o equivalente a cerca de 170 anos de experiência contínua. O anúncio, publicado em 13 de agosto de 2026, ataca diretamente um dos maiores gargalos da robótica moderna: a dependência de dados rotulados de ação, que precisam ser produzidos deliberadamente via teleoperação.

Por que isso importa agora

Treinar robôs para tarefas de manipulação sempre esbarrou no custo de gerar demonstrações. Cada movimento rotulado exige um operador humano guiando o robô. A aposta do Dyna-2 é testar se vídeo comum de humanos — abundante e barato — pode substituir boa parte desse esforço. A equipe treinou uma “escada de dados” com subconjuntos de 1.000, 10.000, 100.000 e 1.000.000 de horas, mantendo proporções idênticas de cada fonte, e mediu o que realmente escala.

Os três resultados de escala

A pesquisa produziu três conclusões centrais:

• Lei de escala em dados humanos até 1 milhão de horas: as quatro métricas avaliadas melhoram de forma monótona e se ajustam a leis de potência — o erro quadrático médio (MSE) segue a curva 0,0691·D^-0,0184 (R²=0,919) e a acurácia na tolerância de 0,5 segue 0,357·D^+0,0203 (R²=0,865). Na escada completa, a acurácia na tolerância de 0,1 subiu 51%, contra 12% do MSE.
• A lei se transfere para dados de robô que o modelo nunca viu: os mesmos checkpoints foram avaliados em zero-shot em 39 tarefas distribuídas em duas plataformas bimanuais YAM (12 internas e 27 do benchmark xdof ABC), com um ponto de inflexão entre 10 mil e 100 mil horas.
• O objetivo de treino importa — e o vídeo é um eixo separado: a denoising conjunta (vídeo + ação) venceu a abordagem só-ação em 39 de 39 tarefas. Mantendo os dados rotulados de ação fixos em 50 mil horas e adicionando horas só de vídeo, o MSE zero-shot em robô caiu de 0,340 para 0,120.

Resultados no robô

Cada degrau da escada passou por pós-treinamento em 14 tarefas (no máximo 10 horas de dados de robô cada), em três corpos distintos: braços YAM de 6 graus de liberdade, os mesmos braços com mãos hábeis WUJI-2 de 20 graus, e um protótipo semi-humanoide. A pontuação média normalizada subiu de 20% para 28%, 45% e 53% ao longo da escada. Dois casos chamam atenção: a tarefa Lockbox Key Turning ficou em 0% até 100 mil horas e saltou para 90% com 1 milhão; e Bottle Cap Untwisting, treinada com cerca de 10 minutos de demonstrações, ainda assim chegou a 50%.

Na comparação com o Dyna-1 (o VLA de produção da empresa, inicializado a partir do Qwen3-VL-4B), uma versão inicial do Dyna-2 alcançou 1,55× de taxa de sucesso e 1,12× de nota, considerando 7 tarefas e 3 checkpoints. Em instalações de clientes nunca vistas, o Dyna-2 passou nos critérios de produção em 87% dos casos, contra 46% do Dyna-1. Um pipeline de destilação também reduziu a amostragem de vídeo de 10.203 ms para 110 ms em uma única H100.

Mas não é open source

Um ponto importante para quem acompanha o ecossistema: a Dyna Robotics não anunciou checkpoint público, API ou licença para o Dyna-2. A implantação hoje significa comprar uma célula robótica Dyna como sistema operado pelo fornecedor, não hospedar o modelo por conta própria. Os robôs Dyna-1 já operam em produção em hotéis, restaurantes e lavanderias, apontando para operadores de serviços de médio porte e empresas multi-site com trabalho de manipulação repetitivo e estacionário. As aplicações pós-treinadas incluem limpeza de bandejas, montagem de kits de primeiros socorros, construção de totes, servir alimentos, amarrar cordas e buscar bebidas na geladeira.

O que isso significa

O Dyna-2 representa evidência concreta de que vídeo humano em larga escala pode impulsionar a generalização entre corpos robóticos (cross-embodiment), reduzindo a dependência de dados de teleoperação caros. A ressalva importante é que se trata de um relatório técnico da própria empresa — os números vêm da Dyna Robotics e ainda não passaram por revisão independente. Ainda assim, o achado de que adicionar horas só de vídeo reduz o erro em robô de 0,340 para 0,120 é uma das demonstrações mais claras até agora do valor de pré-treinar modelos de robótica em dados não rotulados.