大模型训练过程，开始更多地出现在公众视野中。
此前，小米 MiMo 负责人罗福莉公开了 MiMo-V2.6 强化学习阶段的训练进展，让外界看到了大模型训练中的一些具体细节。
现在，Physical AI 领域也有了类似尝试。
10 月 21 日，生数科技世界模型团队正式开启 Motubrain 2.0 训练全流程公开直播，计划持续半个月，向公众展示具身模型的训练过程及研究进展。
这次直播关注一个问题：Physical AI 究竟如何实现？
Physical AI，即物理人工智能，希望让 AI 能够理解物理环境，并通过机器人完成实际任务。相比大语言模型，Physical AI 还需要解决动作决策、任务执行和跨场景泛化等问题。
Motubrain 系列是生数科技研发的具身模型，致力于为机器人构建具备通用能力的 " 大脑 "，探索不同任务、场景和机器人本体之间的能力泛化。
Motubrain 2.0 即将开源。在正式开源前，团队选择率先公开其训练全流程，向外界展示这款模型从训练、测试到能力迭代的过程。
此次公开训练涵盖四个环节：
1、预训练：观察训练规模对模型性能及零样本泛化能力的影响。
2、后训练：针对具体任务进一步训练，提升任务执行能力。
3、Agent 任务执行：探索模型能否将已有经验迁移到其他任务。
4、RSI（递归自我改进）探索：研究模型能否根据执行反馈评估并改进自身行动。
此次直播的特别之处，是尝试打开具身模型训练的 " 黑盒 "。
过去，外界了解具身智能技术进展，主要通过机器人 Demo、评测结果和论文。模型经历了怎样的训练、不同阶段的能力如何变化，通常很难直接观察。
Motubrain 2.0 选择公开从训练、测试到能力迭代的全过程，希望让外界看到模型如何逐步形成能力，也能看到训练中的失败、试错和调整。
对于具身智能行业而言，这种方式让模型研发过程更加透明。研究者和开发者不仅能看到最终结果，也有机会了解训练中遇到的具体问题，以及团队如何通过实验和反馈不断改进模型。
同时，团队也希望借助此次直播，与技术同行分享研究中的经验、问题和思考，共同探讨规模化训练、跨任务泛化和自主改进等关键问题，为 Physical AI 实现范式的探索提供更多参考。
当然，相关研究仍处于探索阶段，具体效果还需要后续实验和评测验证。相比只展示机器人最终能做什么，公开模型如何训练、能力如何形成，同样具有研究价值。
直播入口：www.motubrain.com/motubrain2.0-live
官网链接：www.motubrain.com
