灵初智能正式发布新一代具身基础模型 Psi-R2.5，重点解决数据规模起来后哪些数据有价值以及如何让人类数据更顺畅进入机器人训练的问题。该模型提出强 Pair Data 方法，从真实机器人数据逆向生成对应人手数据，训练端到端转换模型，使人类操作视频可直接对齐机器人数据。Psi-R2.5 还采用双层架构，上层负责长程任务拆解，下层输出操作轨迹，并展示仅需一次人类示范即可通过 In-Context Learning 复现新任务，无需重新训练或微调。
SynthePulse Insight · AI 深度解读会员精读
版本 1 · 1 个来源
灵初智能发布 Psi-R2.5，把重点从“人类数据规模”转向“数据能否直接用于机器人训练”。其核心是强 Pair Data、HIL+RL 后训练与 In-Context Learning 三条路径的组合，但多数效果仍来自厂商自述。
两年前一段机器人炒虾视频走红，背后是研究人员反复采集真机示范、再通过模仿学习让机器人独立执行，一个固定任务大约要采集 50 次示范。如今灵初智能在相似任务中展示另一种可能：人示范一遍，机器人把这段操作作为类似 Prompt 的上下文，尝试完成新任务。这一对比是理解 Psi-R2.5 的起点——关注点从机器人“会不会”转向“怎么学”。
灵初此前已在沿这条路前进。四月发布的 Psi-R2 和 Psi-W0 将十万小时规模的人类数据用于预训练，并通过 Psi-W0 和强化学习把人手轨迹优化成机器人可执行的轨迹。但这条链路意味着 Policy 与 World Model 需要反复 rollout，轨迹还要继续用强化学习微调，转换过程依然繁琐。
现在发布的 Psi-R2.5，团队没有继续把重点停留在“十万小时人类数据”上，而是处理数据规模起来后的两个新问题：哪些数据真正有价值，以及怎样让这些人类数据更顺畅地进入机器人训练过程。
为什么不能直接把人类视频拿来训练机器人？核心是 Embodiment Gap。一方面，人手和机械手在视觉上存在差异，相机参数、环境变化等带来 Visual Embodiment Gap；另一方面，人类 action 与真实机器人数据之间还存在手部姿态估计、关节结构带来的运动学误差，以及摩擦力等物理参数误差，即 Dynamic Embodiment Gap。
Psi-R2.5 改变了 Pair Data 的构建方式。灵初把只按相同任务语义收集的数据称为“弱 Pair Data”；如果图像上除本体外基本一致、时序上逐帧对应，同时 action 可以直接在机器人上 replay，则称为“强 Pair Data”。团队从真实机器人数据出发，逆向生成对应的人手数据——真实机器人数据本身已包含可直接使用的图像和 action，生成一一对应的人手数据后，就先得到一批成对的人类-机器人数据。
有了这批强 Pair Data，团队进一步训练带 action 的端到端人类数据到机器人数据转换模型，让新的人类操作数据可以直接与机器人数据对齐。验证方式有两种：把转换后的机器人数据直接放到真机上 replay，或拿这些数据继续训练模型。官方称，人只需用普通手机或相机拍下一段操作视频，就可以通过这套 pipeline 将其转换成不同机器人的数据。
本文全部事实来自机器之心对灵初智能 Psi-R2.5 发布的报道，该报道本身转述厂商发布与技术博客。文中所有性能数字（如 99% 成功率、1-2 个工作日、50 个任务评测集、十万小时数据）均为厂商自述，未经独立验证，应视为 source_claim 而非已确认事实。
主报道
主报道来源