Model świata-akcji (World Action Model) Dream Labs sterujący dwuramiennymi robotami z chwytakami równoległymi przez publiczne API; generalizuje zero-shot na nieznane roboty i zadania.
🧪 Beta✓ Publiczny dostępModel świataBazowy model robotyczny
Dostęp:APIHostedWdrożenie:☁ Cloud
Przegląd
Klasyfikacja
Model świataBazowy model robotyczny
Dostęp i wdrożenie
APIHostowane
Chmura
Wagi: Zamknięte
Kluczowe parametry
✓ Fine-tuning
📥 Wejście: obraz, tekst, dane stanu robota
Robotyka
Bimanual manipulationRobot manipulationRobot controlObject affordance understanding
Specyfikacja techniczna
Wymagania sprzętowe
Robot dwuramienny z chwytakami równoległymi oraz trzy kamery (widok głowy i kamera nadgarstkowa na każdym ramieniu). Model działa przez chmurowe API Dream Labs i korzysta z solvera kinematyki odwrotnej (IK) po stronie robota.
Funkcje:✓ Fine-tuning
Modalności
⬇ Wejście (Input)
imagetextrobot_state_data
⬆ Wyjście (Output)
robot_actionsmanipulator_controlmotion_trajectories
Możliwości i zastosowania
Natywne możliwości modelu
Uczenie zero-shot
Zdolność modelu do wykonania nowego zadania bez treningu specyficznego dla danych ani strojenia hiperparametrów — predykcja powstaje w pojedynczym przebiegu na podstawie kontekstu.
Kategoria: other
Transfer międzyucieleśnieniowy
Zdolność jednego modelu do sterowania robotami o różnej budowie (humanoidy, ramiona dwuręczne, platformy mobilne) bez trenowania osobnego modelu na każdą platformę. Inteligencja jest oddzielona od ucieleśnienia, dzięki czemu ta sama polityka działa na sprzęcie o odmiennej kinematyce i dynamice.
Kategoria: robotics
Ugruntowanie wizualno-językowo-akcyjne
Zdolność modelu VLA do łączenia percepcji wizualnej i polecenia językowego z konkretnym działaniem fizycznym robota. Model rozumie scenę i intencję, a następnie generuje sekwencję akcji wykonawczych, zamykając pętlę od obserwacji do ruchu.
Kategoria: robotics
Warunkowanie akcjami
Sterowanie generacją modelu poprzez sygnały akcji (kamera, pose robota, komendy, mowa) zamiast wyłącznie promptem tekstowym.
Kategoria: multimodal
Przestrzeganie instrukcji
Precyzyjne wypełnianie wskazówek zawartych w prompcie: format odpowiedzi, długość, styl, ograniczenia (np. 'odpowiedz w sześciu słowach'). GPT-5.1 znacząco poprawił tę zdolność względem GPT-5.
Kategoria: language
Wnioskowanie w czasie rzeczywistym
Zdolność modelu do generowania odpowiedzi z bardzo niskim opóźnieniem (>1000 tokenów/s) na specjalistycznym sprzęcie inferencyjnym (np. Cerebras WSE), umożliwiająca interaktywną, wymianową współpracę z człowiekiem.
Kategoria: coding
Symulacja świata
Zdolność modelu do generowania spójnych, interaktywnych symulacji środowisk fizycznych — utrzymywanie geometrii, oświetlenia i fizyki podczas eksploracji.
Kategoria: multimodal
Uczenie few-shot
Zdolność modelu do wykonania nowego zadania na podstawie kilku przykładów podanych bezpośrednio w prompcie, bez aktualizacji wag ani dostrajania.
Kategoria: other
Robotyka
Bimanual manipulationRobot manipulationRobot controlObject affordance understanding
Wyniki benchmarków
1 benchmark
RoboDojo-RC Tier 1
mean score per task attempt · autonomiczne rollouty na robotach dwuramiennych
📅 18 paź 2026📄 Robocurve (Public Benefit Corporation) – niezależny raport
Niezależny raport Robocurve wskazuje, że Dream-1 wyprzedza modele Opus 5.5 i Gemini 4 Argon, przy 16× niższym koszcie na próbę zadania niż Gemini 4 Argon i 1,7× szybszym działaniu niż GPT-6 Astra.
Cennik
Architektura techniczna
Rdzeń architektury (Core Architecture)
Forma modelu (Model Form)