详读 · Sunday Robotics「ACT-2 Preview」¶
追踪卡见 追踪-Sunday-Memo。本页是全文精读：主张 → 方法 → 实验全表数字 → 口径注意 → 对我们。 来源：ACT-2 Preview: Generalizing Reliability，Sunday Team，2026-07-17（原文标 "25 min read"）· 前作 ACT-1 (2025-11-19) 引用格式（原文自附）：Sunday Robotics, "ACT-2 Preview: Generalizing Reliability", Sunday Robotics Blog, Jul 2026.
⚠️ 这不是论文。 无架构、无参数量、无数据规模（小时/episode 数）、无代码权重、无外部基线、无第三方复现。它是一篇带图表的厂商发布文，而且自称 "Preview"，另有一篇 post-training 技术文"将另行发布"。 → 全文证据档 D（待验证）。库内任何引用必须带限定语「Sunday 自报」。
0. 省流¶
家用移动操作机器人 Memo 上的新模型 ACT-2，在没见过的真实家庭里叠衣服，785 次自主尝试成功 778 次（99.1%），且每个新家零适配（不采数据、不微调、不给专家演示、全程同一个 checkpoint）。
它自称的真正突破不是这个数字，而是背后的配方：预训练规模一大，"在自家实验室调好的收益"就能原样搬到没见过的家里——因此可以"在自家 Memo 上快速迭代刷性能"，而不必担心只是过拟合。其极端体现是：一条演示就能教会一种新折法，并泛化到没见过的衣物。
1. 它的三段论（原文自述的论证链）¶
- 泛化差距（generalization gap） = 后训练之后，in-domain 成功率 − out-of-domain 成功率。
- 预训练规模上去，这个差距塌到 0 → 于是"在自家环境上爬坡"变成"在真实世界爬坡"的可靠预测器。
- 差距一没，每条后训练样本的杠杆就变大 → 单条演示学新行为 → 后训练闭环可以快速堵真实世界暴露出的失败案例 → 最终 99.1%。
原文的自我定位："the first robotics model to achieve reliability by unifying broad generalization with high performance"，以及 "To our knowledge, we are the first to demonstrate that an end-to-end model can learn new behaviors from a single demonstration and generalize those behaviors to unseen environments."（两处都带 "to our knowledge" 对冲）
2. 方法（能读出来的部分）¶
2.1 预训练数据 = 手套采的人类数据¶
原文只给一句：预训练在 "high-quality, high-diversity, sensorized human dataset collected through Sunday's proprietary data collection hardware, data curation system, and data processing pipeline"。
没有披露：小时数、episode 数、家庭数、模型架构、参数量、动作表示、控制频率。
结合前作 ACT-1 可以补上这条数据链（✅ ACT-1 原文）：
- Skill Capture Glove：手套与 Memo 的手共用同一套几何与传感器布局，"人戴手套能做的，机器人也能做"，目的是消除 embodiment mismatch。
- Skill Transform：把手套原始观测（运动学 + 视觉）对齐成"像机器人自己采的"，转换成功率 90%。
- ACT-1 的招牌口号是 "Trained on Zero Robot Data"——不用一条遥操作轨迹。ACT-2 沿用同一条数据线（文中说法从 "zero robot data" 换成了 "sensorized human dataset"，没有说明是否已混入机器人自采数据——🟡 待验证）。
→ 这是本库 概念-机器人数据与标注 里"低成本人体采集"路线（对照 卡片-UMI 的手持夹爪、卡片-MobileALOHA 的遥操作）跑到工业规模的样子。
2.2 预训练规模 vs 泛化差距（Figure 1）¶
同一套后训练流程，套在不同预训练规模的模型上，分别在 in-domain（后训练见过的环境）和 out-of-domain（留出的环境/物体/构型）上评。每个成功率背后 50 次评测。
| 预训练数据量 | In-domain | Out-of-domain | 差距 |
|---|---|---|---|
| 0% | 96% | 14% | 82 |
| 12% | 100% | 90% | 10 |
| 25% | 100% | 92% | 8 |
| 50% | 100% | 96% | 4 |
| 100% | 100% | 100% | 0 |
这是全文信息量最大的一张表。 0% 预训练那一行（96% → 14%）是"纯后训练即过拟合"的干净反例；100% 那一行差距为 0。
2.3 数据质量 vs 数据数量（Figures 2–4）¶
同等数据量与算力下，比"高质量子采样"和"均匀子采样"：
| 采样方式 | 12.5% | 25% | 50% | 100% |
|---|---|---|---|---|
| 高质量子采样 | 75.6% | 87.9% | 92.3% | 99.1%（旗舰） |
| 均匀子采样 | 43.8% | 53.6% | 64.1% | — |
对应验证损失：高质量 0.0700 / 0.0682 / 0.0668，均匀 0.0738 / 0.0713 / 0.0682，旗舰 0.0653。
两条可直接借用的结论（📄 原文，但仅其内部数据）： 1. 同等数据量下，数据质量的差距能到 30 个百分点（12.5% 档：75.6% vs 43.8%）——"数据策展"不是玄学。 2. 验证损失与真机成功率强相关 → 他们用它当"跑昂贵真机评测之前的廉价代理信号"来调数据配比。这条对任何做数据配比的团队都有工程价值。
2.4 单条演示学新行为（全文最响的主张）¶
做法：拿同一个预训练模型复制四份，各自用简单 SFT 后训练，每份只喂一条演示，每条演示是一种不同的折法；然后在四次 SFT 都没见过的衣物上评估。
结果原文只有一句话："All four models successfully executed their newly learned techniques."
⚠️ 没有成功率、没有 n、没有对照组、没有失败案例。这是全文主张最强、证据最薄的一节（详见 §5）。
原文自己把它对标语言模型史：GPT-1 需任务微调 → GPT-3 few-shot；并点名 π0（卡片-π0）证明广泛预训练可支持快速习得新技能，GEN-0 / GEN-1 报告"每个新任务约需 1 小时机器人数据"，而 Sunday 声称自己是一条演示。
2.5 后训练闭环（几乎没写）¶
原文承认一次性演示不足以到部署级可靠性，剩下的差距来自"反复真机跑才会冒出来的边缘案例"；他们的后训练循环专打这些，靠"机器人/模型/机队基础设施/数据运营全自有"来快速闭环。"更多细节将另发一篇技术文"——即本次发布没有给出这部分方法。
3. 实验（全表数字）¶
3.1 先声明边界（Scope + Adaptation cost）¶
- 衣物：常规可折叠且质量可一致评判的家居衣物——T恤、长袖上衣（厚/薄）、Polo、无袖上衣、衬衫、长裤、打底裤、短裤；尺码 XXS–8XL，颜色/材质/厚度/纹理各异。
- 明确排除：袜子、胸衣、内衣、配饰——理由是"这些的常规处理是配对/分类/悬挂，而非折叠"。
- 场景：没见过的房间、不同的床与折叠面、不同光照、从床侧或床尾作业。
- 初始构型：衣物起始于篮中、堆中、床上或地上，任意朝向、自然褶皱。
- 适配成本：每个家庭为零——无家庭/衣物特定数据，无目标家中的专家演示，无后训练；所有评测用同一 checkpoint 与同一系统配置。脚注 3 进一步声明：评测家庭及其实体衣物的数据未用于任务特定后训练或模型选择，权重全程冻结。
原文据此下断言："the largest-scope, lowest-adaptation-cost result reported for a real home manipulation capability"（带 "to our knowledge"）。
3.2 成功率（785 次自主尝试）¶
成功定义：衣物被自主折叠并码放成摞。
| 类别 | 成功率 | ±1SE | 次数 |
|---|---|---|---|
| 总计 | 99.1% | 98.8–99.4% | 785 |
| 短裤 | 100% | — | 98 |
| 长袖上衣（厚） | 100% | — | 85 |
| 长袖上衣（薄） | 100% | — | 79 |
| Polo | 100% | — | 46 |
| 无袖上衣 | 100% | — | 7 |
| T恤 | 99.0% | 98.5–99.6% | 312 |
| 长裤 | 98.8% | 97.7–100% | 85 |
| 打底裤 | 96.3% | 93.7–98.9% | 54 |
| 衬衫 | 94.7% | 89.6–99.9% | 19 |
按环境拆（同 785 次）：
| 维度 | 分组 | 成功率 | 次数 |
|---|---|---|---|
| 起始构型 | 床上成堆 | 98.8% | 514 |
| 床上篮中 | 100% | 73 | |
| 地上篮中 | 99.5% | 198 | |
| 机器人位置 | 床左 | 98.7% | 315 |
| 床右 | 100% | 271 | |
| 床尾 | 98.5% | 199 | |
| 床单颜色* | 浅色 | 99.2% | 527 |
| 深色 | 98.0% | 149 | |
| 彩色 | 99.6% | 273 |
* 原文注明床单颜色分组互相重叠（合计超 785）。
3.3 折叠质量（五星 rubric）¶
评分方式：每次尝试由标注团队用专用打分工具评判；先一人初评、再一人独立复核，分歧由复核负责人裁定；标注员事先在参考样例上受训；rubric 在评测前固定、事后未改。
rubric（满分 5★，每命中一类缺陷扣 1★）： - 过折：向内折入的多余材料 > 2 英寸 - 错位：对应边缘偏差 > 2 英寸 - 未折部件：袖/裤腿/帽兜伸出折边 > 2 英寸 - 码放错误：超出摞宽 1/3，或把已折的弄乱
结果（778 次完成的折叠）：均值 4.72/5；5★ 占 73.8%、4★ 占 24.6%、3★ 占 1.67%；98.3% 达到 4★ 及以上。分品类均值从 Polo 的 4.63 到打底裤的 4.88（无袖上衣 5.00，但 n=7）。
原文另附 ACT-2 与人类折同款衣物的并排视频，称"在对齐、紧实度、码放稳定性上接近"。
3.4 速度¶
计时口径：从开始抓取衣物到把折好的衣物放上摞，含自主重试与恢复。778 次成功里中位 2 分 13 秒、均值 2 分 19 秒。最快短裤（中位 1.23 分），最慢薄长袖（中位 2.73 分）。
3.5 涌现行为（视频，无量化）¶
- 边缘案例恢复：从地上捡回衣物、重新摆正、状态变了继续折、自发做细微调整。
- 扰动鲁棒：小孩干扰、对抗性扰动、明暗变化下能重规划而非死执行固定序列。
- 超出固定台面工作区：婴儿衣（16″×8″）、8XL 大衫（38″×42″）、大浴巾（53″×28″）——靠 Memo 移动底盘可挪位、调高度、探身。
4. 「Solve」标准（本文的另一半野心）¶
原文提出一个衡量机器人进展的标准，叫 Solve："reliable performance across a declared scope, at a stated adaptation cost." 三要素缺一不可：
- Performance：在声明边界内做得多好——成功率、质量、速度。
- Scope：这个性能被声称成立的环境/物体/构型分布。
- Adaptation cost：每个新部署额外需要的数据、演示、微调、人工介入或系统改造。
它的论证很干净："99.1% 在没见过的家里零适配"和"99.1% 在一件衣服、一张准备好的台面、一个熟悉房间上"是根本不同的两个断言，尽管百分数一样——所以 demo 是糟糕的进展度量，因为每个 demo 各有各的环境、物体、起始状态、准备工作和干预规则，没有统一描述方式就无法比较、无法累积。
⚖️ 这套框架本身是好东西，尤其 Adaptation cost 这一轴——它把"换个场地要重采多少数据"从隐藏成本变成必报字段，正是当前一堆机器人 demo 最爱藏的东西。值得被抄进任何人的评测口径。
5. 口径注意（读这篇文章时必须自己补的限定）¶
以下每条都是从原文自身数据得出的，不是外部指控：
- 样本严重不均衡，总分被大类主导。785 次里 T恤占 312（40%）、短裤 98、长袖 164，而衬衫只有 19 次、无袖只有 7 次。恰恰是成功率最低的衬衫（94.7%）样本最少，其 95% 区间宽到 89.6–99.9%。99.1% 是加权后的数，不是"九类衣物各自都 99%"。
- "单条演示"是全文主张最强、证据最薄的一节。四个模型、每个一条演示、留出衣物——原文未给成功率、未给评测次数、未给对照，只有一句"四个都成功执行了"。而这恰是被写进开篇的"breakthrough"。
- 零外部基线。全文没有与 π0 / π0.5（卡片-π0.5）/ GEN-1 或任何公开模型的同任务对比，所有对照都是自家消融（0%/12%/25%/50% 预训练、高质量 vs 均匀采样）。"first / largest-scope / lowest-adaptation-cost" 全部带 "to our knowledge" 且无横向数据支撑。
- 标准由发布方提出，且首个按该标准自评的也是发布方。Solve 的三要素、评测边界、rubric、打分员全部来自 Sunday；"第一个 Solve"的裁判与选手是同一方。框架本身有价值不等于这次评级是独立的。
- 只比质量，不比速度。原文给了人机并排的折叠质量对比，却没有给人机速度对比——而中位 2 分 13 秒/件是全文最容易被外部比较的数字（人类折一件 T 恤通常在十几秒量级，🔶 推断）。能比的比了，不利的没比。
- "成功"口径包含自主重试。计时说明里明写"含自主重试与恢复"，即一次尝试内部允许失败重来而仍记成功。这对"家用是否好用"是合理口径（用户只关心最后折没折好），但与论文里 per-step 或 one-shot 成功率不可直接比。
- 边界排除项与前作存在张力（🔶）。ACT-1（2025-11）把 叠袜子当作"推进灵巧性前沿"的招牌任务之一大写特写；ACT-2 的洗衣 Solve 则明确把袜子排除在外，理由是"袜子的常规处理是配对而非折叠"。理由本身站得住（成团 ≠ 折叠），但这正说明"scope 由发布方声明"这件事本身可以调节难度——Solve 框架的力度取决于声明的诚实度，而它没有外部约束机制。
- 打分是自家人做的。两轮 + 复核负责人 + 事前固定 rubric + 事前训练标注员，流程规范度明显高于行业平均（这点该给分），但仍是内部标注，非盲评、非第三方。
6. 作者自陈的局限¶
- 衬衫最难，归因于"轻薄高变形、可供抓取与对齐的稳定几何线索少"（脚注 4，明标 hypothesize），并说"这不代表能力天花板，正在用后训练闭环改进"。
- 其余能力——吸尘、玩具归位、拉拉链、裤子翻面、做咖啡——"尚未按 Solve 标准检验"，只有视频。
- 明确承认"各能力进展可能不均衡"，并主张"一个所有任务都 60% 的机器人，不如少数几件事做得极可靠"。
- 后训练方法细节留待另文。
7. 对我们¶
- 可直接借鉴的两条工程结论：① 验证损失 ↔ 真机成功率强相关，可当跑真机前的廉价代理信号调数据配比；② 同等数据量下质量差 30pp——数据策展的收益是可量化的。两条都不需要有 Memo 才能用。
- "泛化差距"这个指标值得抄。定义干净（in-domain SR − OOD SR）、可测、直指"实验室涨点是不是自欺"。比单报成功率有信息量得多。
- Adaptation cost 应进我们自己的评测口径：任何"换个场地/换个本体要重采多少"的成本，默认必报。
- ⚠️ 对触觉主线是一个需要正视的反例信号：全文零次提及触觉/力觉。衣物折叠是高度可变形、强自遮挡、状态几乎不重复的接触密集任务，却被"视觉 + 大规模人类动作先验 + 移动本体"推到了 99%。→ 结论不是"触觉没用"，而是"触觉必要性"的论证必须更精准地指向它真正不可替代的地方（视觉观测不到的状态、需要闭环力控的插装/拧紧、滑移检测），而不是笼统的"接触密集任务"。折叠衣物已经被划出去了。
- 注意 ACT-1 原文提过 "force sensitivity"（单手拿两只红酒杯不碎），但未说明来自何种传感——🟡 待验证，不能当作"它有触觉"的依据。
- 形态对照：Memo 是轮式移动 + 双臂 + 与手套同构的手，非人形；本文明确把"能挪位、调高度、探身"当作超越固定台面工作区的关键——移动底盘在家务任务里是能力项而不只是形态选择。
8. 待验证 / 盯更¶
- 🟡 预训练数据规模（小时/episode/家庭数）、模型架构与参数量——全未披露。
- 🟡 ACT-2 的预训练是否仍严格"零机器人数据"（措辞已从 ACT-1 的 "zero robot data" 换成 "sensorized human dataset"）。
- 🟡 单条演示实验的定量结果——需等承诺的 post-training 技术文。
- 🟡 其余五项能力（吸尘/玩具/拉链/翻裤/咖啡）是否会按 Solve 标准出数。
- 🗓 复查时点：2026 年秋——原文承诺 "This fall" 通过 Beta Program 把 Memo 投放到家庭。届时会出现第一批非 Sunday 自己产生的证据（用户实拍、媒体实测），是这批断言从"自评估"转为"可外部证伪"的时点。
来源¶
📄 ACT-2 Preview: Generalizing Reliability（Sunday Robotics Blog, 2026-07-17，全文抓取阅读 2026-07-26）· 📄 ACT-1: A Robot Foundation Model Trained on Zero Robot Data（2025-11-19）
相关：追踪-Sunday-Memo · 卡片-π0 · 卡片-π0.5 · 卡片-UMI · 卡片-MobileALOHA · 概念-机器人数据与标注
🔗 相关卡片
卡片-π0 · 卡片-π0.5 · 卡片-UMI · 卡片-MobileALOHA