在 Axis 平台上執行任務時，許多人會將注意力集中在單條軌跡的得分高低。 透過 Axis 與 Booster 公開的合作資料，可見其非常具體的商業模式：Axis 向客戶提供服務，採用以 5–20 個任務為一組的打包定價模式，機器人企業採購的是經過驗證的成套能力任務包。 以拿起筆、抓取耳機盒等基礎任務為例，單一任務下會配置物體位置、光照條件、視角、操作軌跡等多種變體，用以訓練機器人適應真實場景中的各類變化。 雙方分工明確：Booster 負責提供機器人本體，承擔硬體適配、設備調試與實機驗證工作； @axisrobotics 則將機器人接入模擬平台，搭建對應的模擬場景，由社群產生大量操作軌跡數據。 產生的數據先完成模擬驗證，後續還需與 Booster 聯合進行實機測試，以完成模擬‑實機協同的數據閉環。 公開的實驗數據可直觀體現模擬數據帶來的增益： 同樣使用 10 條真實示範數據，疊加 50 條模擬示範後，機器人在 20 次實機測試中實現 17 次目標接觸；僅使用 10 條真實示範的對照組，實機接觸成功率為 0。 另一組少樣本實驗顯示，經過 Axis 數據集繼續預訓練後的 Booster 模型，每個任務僅使用 30 條示範樣本，效果即超越原始模型使用 60 條示範樣本的表現。 注意事項：上述實驗結論僅適用於本次實驗所選定的任務與評測條件，不可直接泛化至所有機器人應用場景，但可證明高品質模擬數據能有效降低昂貴的實機數據採集工作量。 基於此邏輯，在參與 Axis 任務時，比起反覆打磨同一任務的高分軌跡，場景與技能維度的覆蓋度更具價值。 在同一個簡單任務中產生高分軌跡後，建議停止重複操作；轉換物體類型、場景環境或難度等級，產生差異化的數據，將更貼合客戶採購「任務組」時的真實數據需求。 我們在瀏覽器中完成的抓取與擺放操作，單次僅耗時數分鐘，但這些軌跡仍需經過整理、驗證並封裝成任務包，才會流入機器人廠商的模型訓練流程。 新手參與時可優先選擇 Beginner 入門任務，完成任務後務必在 Portfolio 中完成簽名操作。 未完成 Base 鏈簽名的軌跡，將不會計入平台積分。 https://t.co/EG13vQL9M5