具身智能领域迎来了新思路。LDA-1B模型摒弃了高计算成本的像素级建模，创新地在DINO潜在空间中统一动力学与动作，实现了对海量异构具身数据的高效融合。这种方法不仅展现了良好的扩展性，也为构建更强大的通用具身智能体开辟了新的技术路径。
智能速览
LDA-1B模型摒弃了冗余的像素级建模，转向DINO潜在空间。
在DINO空间中首次实现了动力学与动作的统一建模。
模型高效利用超三万小时的异构具身数据进行训练。
不同质量的数据被分派给不同任务，以最大化数据价值。
研究观察到了显著的模型扩展规律。
相关论文与代码已完全开源。
精华内容
LDA-1B的核心突破在于其建模范式的转变。它不再直接处理原始像素，而是将任务转移到更抽象、更高效的DINO潜在空间，这为统一处理多样的具身数据提供了基础。
范式转变
当前视频动作模型的主流是像素级建模，但这种方法计算冗余，效率低下。LDA-1B另辟蹊径，选择了在DINO自监督学习生成的潜在空间中进行建模。
这种转变意味着模型不再直接处理原始图像，而是操作更具语义信息、维度更低的特征表示，大幅降低了计算成本，为后续统一建模奠定了基础。
统一建模
在DINO潜在空间之上，LDA-1B首次构建了一个统一模型来同时处理动力学和动作预测。传统方法往往将二者分开处理，而LDA-1B的框架让模型能够学习到状态变化与动作指令之间更紧密的内在联系。
这种统一架构是通向更通用、更高效具身智能体的关键一步，使得模型能更好地理解并预测自身行为带来的环境变化。
数据策略
数据是模型能力的基石，LDA-1B在数据处理上展现了极高的效率。它巧妙地利用了超过三万小时的多样化具身数据。
其中，动作质量较低的数据被用于训练基础的前向和逆向动力学模型，而无动作标注的人类视频则被用来训练视觉预测能力。这种让不同数据各司其职的策略，最大化了每一份数据的价值，共同推动模型性能的规模化提升。
开源与展望
值得注意的是，LDA-1B的研究成果并非束之高阁。其论文已在arXiv公开，并且全部代码与数据集都已开源。
这不仅降低了其他研究者的复现和跟进门槛，也体现了推动整个领域进步的开放精神。从已公布的初步结果看，LDA-1B展现出了清晰的规模化扩展曲线，预示着随着数据和算力的增加，其性能有巨大的提升潜力。
LDA-1B模型通过其在潜在空间的统一建模和创新的数据利用策略，为具身智能的规模化发展提供了极具价值的参考。它证明了放弃像素级，拥抱抽象特征表示是可行且高效的方向。随着技术的成熟，这种新基模能否成为下一代机器人智能大脑的核心架构？这值得期待。
关键评论
有用户好奇该模型的底层是否仍基于视觉语言模型（VLM）。
一些关注点在于预训练数据是否会完全开源，以及与Motus模型的详细对比。
也有技术观点认为，采用动态潜在空间是比全局压缩更合理的方案。
