Dream Labs 携 9000 万美元种子轮出隐身：世界动作模型 Dream-1 零样本驱动 27 台没见过的机器人，每小时 3 美元

今天 Dream Labs 发布 Dream-1——一个「世界动作模型」（World Action Model，WAM）。它能控制自己从未见过的机器人、完成从未被示教过的任务、在从未到过的环境里工作，价格从每小时 3 美元起。同一天，这家公司也带着 9000 万美元种子轮走出隐身状态，并通过公开 API 向全球开放 Dream-1。

这句话值得拆开看，因为它同时压了三个「从未」：新本体、新任务、新环境。发布材料给出的证据是仿真里 27 台完全没有参与训练的机器人（其中包括已经 18 岁的 Willow Garage PR2），以及分布在深圳、巴黎、首尔、雅加达、上海、纽约等 12 个 beta 场地真机上的 21 段实拍 rollout。按官方口径，每次模型调用返回 1.6 秒动作，一小时 2250 次调用，折合每次动作约 0.0013 美元（Dream-1-flash 为 0.0009 美元）。

01 · 打破机器人学的「先有鸡还是先有蛋」

几十年来，机器人学一直卡在一个循环里：机器人得先有用，人们才愿意买；可要让它有用，又必须采集这台机器人自己的数据；而这批数据只有等到足够多的人已经在用它之后才会存在。Dream-1 是 Dream Labs 打破这个循环的第一步。

自动驾驶曾经绕开过同样的冷启动难题。汽车在「零自动驾驶能力」的第一天就是有用的，于是每天有几百万人开它上路，顺带生成了训练越来越强的模型所需要的数据。绝大多数其它机器人从来没有过这个便宜可占。

flowchart LR
  A["硬件变便宜"] --> B["世界上的机器人变多"]
  B --> C["能零样本泛化的模型"]
  C --> D["不靠本体专属数据也能早早有用"]
  D --> E["每台在役机器人都产出新数据"]
  E --> C

原文认为有两件事正在改变这个局面。第一，机器人硬件便宜到足以触达远更多的人群：一套能干活的双臂装置今天最低约 2000 美元。第二，一台机器人在变得有用之前，也许不再需要先拥有一份自己的大数据集——如果模型能对没见过的环境、任务乃至机器人本体做零样本泛化，新机器人一出厂就自带可用能力。两件事叠起来，飞轮才终于转得动：便宜的硬件把更多机器人送进世界，可泛化的模型让它们更早有用，有用的机器人产出更多数据，而这些数据又让下一台机器人的模型更强。

02 · 廉价机器人的寒武纪大爆发

机器人硬件降价的速度超出了所有人的预期。原文给出一张图：7 台半人形机器人（轮式底盘 + 双臂 + 平行夹爪）总价不到 1.5 万美元——这个价位档一年前几乎不存在。而在价格曲线的最远端，Hugging Face 那台 399 美元的 Microduck，在 8 月底开售后的 4 天内卖出超过 10000 台。

一年前几乎不存在的价格档

数字	买到的是什么	备注
2,000 美元	一套能干活的双臂装置	MakerMods Maker Arm，今天的价格
7 台	单价低于 1.5 万美元的半人形	轮式、双臂、平行夹爪
399 美元	Hugging Face Microduck	2026 年 8 月底开售
10,000+	Microduck 销量	开售 4 天内

为什么是这类机器人先起飞？因为它们的买家是消费者、专业爱好者和小团队，而不是企业。企业买家做的是电子表格决策：如果机器人在成本、速度或可靠性上赢不了一个人，它就不会被采购——这是一道很高的门槛。消费者不一样。10000 多人在 4 天里为 399 美元掏钱，买的是一台主要职责是「讨人喜欢」的机器人：它会走路、会摇摇摆摆、还会滑旱冰。

在这两者之间的某个位置，就是那个甜蜜点：便宜到可以随手点头买下，又有用到足以在家里挣得一席之地。机器人一旦到这个点，采用就会开始复利式增长，而家里的每一台机器人都成了新训练数据的来源。原文给的画面是：两只 Microduck 用它们的喙当夹爪，替你叠衣服。

03 · 促成 Dream Labs 成立的那个结果

2026 年 2 月，这个团队发布了 DreamZero——提出「世界动作模型」（WAM）的论文。此后社区把 WAM 接受为机器人学习里最有前景的范式之一。当时最让作者自己吃惊的结果是：只用 30 分钟的 YAM 机器人数据对 DreamZero 做后训练，它就对从未见过的任务实现了零样本泛化。这种程度的泛化，过去往往需要数百甚至数千小时的本体专属数据。

推理链条很短：如果 30 分钟数据就足以把通用任务知识迁移到某台机器人身上，那么打破「先有鸡还是先有蛋」的循环就不再看起来不可能。再叠加上面那波硬件浪潮，时机对了——于是他们决定创立 Dream Labs。经过六个月的建设，这次的成果是一个只有世界动作模型才做得出来的研究突破：零样本本体泛化的早期迹象。

04 · Dream-1 正式发布

Dream-1 是他们的第一个可通过公开 API 使用、面向全球的 WAM。开箱即用时，它能在没见过的环境里、为没见过的任务、控制没见过的机器人。

发布材料没有摆一段实验室 demo，而是把证据摊开成一次分布式验证：12 个 beta 场地用自己的硬件、在自己的房间里跑，Dream Labs 自己另外做了 18 次自主（autonomous）运行。源页面上的视频，beta 场地按 8 倍速、自研场地按 4 倍速播放。

12 个 beta 场地与各自执行的指令

场地	地点	任务
Anvil Robotics	加勒比地区	把糖果分类放进容器
BitRobot	中国深圳	抽出一张纸巾
Cortex	新加坡	把白杯子叠到粉杯子上
Eastworld	马来西亚吉隆坡	把苹果放进棕色箱子
Hugging Face	法国巴黎	拿起红色方块放进绿色容器
KAIST	韩国首尔	折叠纸盒
XDOF	印度尼西亚雅加达	找到马克笔并把它拿起来
RoboCurve	美国旧金山	把三个瓶子全部立正
Scale AI	美国旧金山	把方块叠成一座塔
Robo Inc.	美国洛杉矶	把薯片移到托盘上
Mecka	美国纽约	从散放架里提起一支试管
AgiBot（智元）	中国上海	把苹果拿到盘子里

自研场地的 18 次运行则是更长的家务链条：叠连衣裙、把台面上的餐具清进水槽、拔掉蓝色荧光笔的笔帽、把马克杯挂上杯钩、拿猫砂铲在猫砂盆里铲砂、把罐头从纸箱补货上货架、把鸡蛋放进蛋盒空位、对折长袖衬衫、把吸管插进瓶颈、用蓝色海绵擦台面、把工具放回各自卡槽、把水果从左碗倒进右碗、从三本书里抽出中间那本、对折绿色餐垫、用毛巾擦干盘子放上沥水架、打开盒子取出粉色跳绳再盖上盖子、用刀把切好的胡萝卜推到砧板右侧。

04.1 几分钟就能跑起来

Dream Labs 希望「可泛化的机器人能力」对任何手里有机器人的人都开放，而不只是大实验室的特权，所以接入面做得尽量薄：连上机器人、指向 API、跑起来。上手不需要机器学习背景；团队每周内部办黑客松，专门把部署耗时压到最短。

import dream

client = dream.DreamClient(api_key=<API_KEY>)
client.policy({"checkpoint": "dreamlabs/dream-1"})

client.set_observation(observation)
action = client.get_action()

client.close()

04.2 在它从未见过的机器人上零样本工作

Dream-1 能零样本泛化到许多双臂、平行夹爪的机器人。发布材料给出的规模是：仿真里 27 台没见过的机器人（每台最多挑 5 段 rollout），真机上 21 段双臂夹爪机器人片段。这些 rollout 没有用到任何本体专属数据。名单几乎是过去二十年操作硬件的一次普查：ALOHA、Baxter、双臂 Franka FR3、双臂 Kinova Gen3、KUKA LBR iiwa 14、双臂 UR5e、双臂 Sawyer、WidowX 250、xArm 7、YuMi、Galaxea A1Z、Unitree R1、Hugging Face SO-101、Seeed reBot B601-DM、MakerMods Maker Arm 与 Metal Arm、Anvil OpenYAM、I2RT YAM-7、配 UMI 夹爪的 YAM，以及 Willow Garage 最初的 PR2。

PR2 是这里最有说服力的一笔：一台 18 年前发布的通用双臂科研机器人，被一个在完全不同的本体上训练的模型零样本驱动，指令是「按下那个红色大蘑菇按钮」。

性能并不均匀，而 Dream Labs 公开的是完整分布，不是一个平均值。每个本体的评测都是 300 次 rollout：150 次跑 50 个任务，量化「语言跟随」；另外 150 次跑 150 个任务，量化「未见任务泛化」。下表分数以 YAM（Dream-1 真正训练所用的机器人）为 100 的相对值。

27 台未见机器人的零样本表现（仿真，相对 YAM = 100，每本体 300 次 rollout）

机器人	厂商	相对得分
YAM（参考基准）	I2RT	100.0
PiPER 双臂	AgileX Robotics（松灵）	91.2
Trossen Workbench	Trossen Robotics	82.8
OpenYAM	Anvil Robotics	82.7
Metal Arm	MakerMods	80.5
ARX X5	ARX	77.4
PR2	Willow Garage	73.8
UR5e 双臂	Universal Robots	69.8
Gen3 双臂	Kinova	66.9
reBot B601-DM	Seeed Studio（矽递）	66.1
xArm 7 双臂	UFactory	65.7
Unitree R1	Unitree（宇树）	63.9
Maker Arm	MakerMods	63.1
ALOHA	Trossen (Interbotix)	63.1
LBR iiwa 14	KUKA	62.4
WidowX 250 双臂	Trossen (Interbotix)	62.2
Sawyer 双臂	Rethink Robotics	60.5
YuMi	ABB	59.4
YAM + UMI 夹爪	I2RT x GenRobot.AI	58.7
Baxter	Rethink Robotics	58.7
Franka FR3 双臂	Franka Robotics	58.3
AI Worker	ROBOTIS	57.0
SO-101	Hugging Face	54.2
Galaxea A1Z	Galaxea	54.1
OpenArm 2.0	Enactic	53.9
Mantis	Blue Worm	45.8
YAM-7	I2RT	38.0
Bracket Bot	Bracket Bot	36.6

要看分布，不要只看均值。表格上半段确实很接近训练本体的水平——PiPER 91.2、Trossen Workbench 82.8、OpenYAM 82.7；而下面三分之一落在 36 到 55 之间，YAM-7 只有 38.0，尽管它本身就是 YAM 家族的变体。零样本泛化是真的，同时它也是一场逐机器人的抽签，中签概率取决于新本体与模型已见过的东西有多像。原文特别提到，零样本表现部分取决于你那台机器人的逆运动学（IK）求解器，所以他们另外写了一份 IK 指南。

04.3 零样本本体泛化是怎么实现的

控制机器人有两条路：关节，或者末端执行器。机器人策略通常输出关节角，这就把它绑死在某一台具体的机器人身上。Dream-1 对它原生支持的本体同样能这么干，但它还能预测末端执行器（EEF）位姿：每个夹爪该在哪儿、该张开还是闭合。所有「双臂 + 平行夹爪」的机器人都共享这个 EEF 动作空间，再由各自的 IK 求解器把位姿换算成关节指令。这个共享接口给了 Dream-1 一种统一的方式来指挥它从没见过的机器人——但只有它，还不足以让零样本迁移成立。

为什么这样能work？关键在于感知。Dream-1 通过三路摄像头看世界：一个头部视角，加两条手臂各一个腕部视角。关于通用操作接口（UMI）的先前工作证明过：当所有手臂用同一款夹爪、且策略只依赖腕部相机时，策略可以跨机械臂零样本迁移——从腕部的视角看，这些机器人都长一样。但这条捷径有一个硬边界：它只在夹爪硬件完全一致时成立，而且放弃了头部相机对整个场景的视野。

世界动作模型（WAM）学到的是同时预测视频与动作，于是「控制一台机器人」和「想象这台机器人接下来会做什么」变成了同一个问题。而每一台机器人都以同一种方式出现：像素。

在头部相机眼里，UMI 夹爪、双指夹爪、或者一条 Dream-1 从没遇过的手臂，都不过是在场景中移动的形状——这让视频成为所有机器人类型唯一共享的表征。如果 Dream-1 能预测一台机器人完成任务时长什么样，它就能给出把它带到那个画面的动作。这也是为什么它能控制夹爪外形与 UMI 毫无相似之处的机器人，甚至通过头部相机看到的全新机体。

原文对代价同样说得清楚。相比「预测关节角 + 逐本体适配」，预测 EEF 是用一部分控制精度换通用性：

• 性能取决于每台机器人 IK 求解器的质量。
• Dream-1 不控制手臂怎么到达某个位姿，只决定夹爪最终在哪——这在有障碍物或接近关节限位时会成为问题。
• 工作空间或运动学/动力学与 Dream-1 所见差异过大的机器人，模型可能预测出物理上不可行的未来状态。

04.4 Dream-1 能与不能

发布之前，Robocurve——一家向公众度量并报告前沿机器人能力的公益公司（Public Benefit Corporation）——独立评测了 Dream-1。报告（RoboDojo-RC Tier 1，2026 年 10 月 18 日，CC BY 4.0）的指标是每次任务尝试的平均得分。结论是「更好、更快、更便宜」：Dream-1 的分数高于紧随其后的 Opus 5.5 与 Gemini 4 Argon，每次任务尝试的成本比 Gemini 4 Argon 低 16 倍，速度比测得最快的 LLM（GPT-6 Astra）快 1.7 倍。原文由此给出的定位是：当前 LLM 擅长规划，但机器人仍然需要一个又快又通用的「系统 1」来执行动作，Dream-1 就是为此而造的。

成本被写得足够直白，可以自己验算：Dream-1 每小时 3 美元，更快更轻的 Dream-1-flash 每小时 2 美元；每次调用返回 1.6 秒动作，所以连续运行一小时是 2250 次调用，折合 Dream-1 每次动作约 0.0013 美元、flash 约 0.0009 美元。每小时成本之上的收益全归开发者——这是原文反复回到的经济结构：它希望每个有机器人的人都像「前置部署工程师」那样工作，找到一个有人愿意付钱的任务、采一点数据、把 Dream-1 适配上去、然后部署。

能力被拆成八个任务类别。下表是源页面提供的两个本体的数据：YAM 本体，以及装了 UMI 夹爪的 YAM。这张表最诚实的地方是「进度分」与「成功率」之间那道缝——模型通常能把任务做完大半，却远远没有做完。

八类未见任务的泛化能力（均值 ± 标准误）

类别	YAM 进度分	YAM 成功率	YAM + UMI 夹爪 进度分	YAM + UMI 夹爪 成功率
抓取与放置	69 ± 4	40 ± 6	68 ± 4	38 ± 6
推与滑	50 ± 4	19 ± 5	60 ± 4	28 ± 6
布料与软体	52 ± 4	19 ± 5	60 ± 4	18 ± 5
插入与配合	58 ± 4	24 ± 6	55 ± 3	11 ± 4
重定向（reorient）	50 ± 3	14 ± 5	52 ± 3	11 ± 4
倒与舀	55 ± 3	10 ± 4	49 ± 3	8 ± 4
工具使用	44 ± 3	6 ± 3	45 ± 3	6 ± 3
开与合	42 ± 4	16 ± 5	39 ± 3	11 ± 4

Dream-1 是一个研究性 beta。它会犯错，也没有针对安全关键场景做过验证。请在受控环境里测试，机器人靠近人运行时格外小心。发现不安全行为请上报 safety@dreamlabs.ai。

04.5 一次性（one-shot）本体学习

零样本不够用的时候，Dream Labs 为你的机器人微调 Dream-1——他们把这叫 FaaS（Fine-tuning-as-a-Service，微调即服务）。实践中它长什么样？两段数据采集延时摄影：在两个合作伙伴的机器人上各采 5 分钟，左边是 reBot B601-DM，右边是 Maker Arm，视频按 8 倍速播放。

只用这 5 分钟适配之后，差异与零样本运行被并排放在一起对比，指令完全相同——「go ahead and put the banana in the bowl（把香蕉放进碗里）」。适配后的 Dream-1 对这台机器人的可供性（affordance）与运动学理解得更好了一些。

有些本体离 Dream-1 已经知道的东西远得多，要填平这么大的差距，就需要更多这台机器人自己的数据。装了 Sharpa 灵巧手的 Dexmate 用「手」而不是夹爪来抓握，用了 77 分钟数据。在 YAM 上，为这一个任务换上不同的末端执行器——一个柔顺夹爪和一个改造过的刀形夹爪——用了 98 分钟数据。

在 FaaS beta 合作伙伴的 12 台机器人上，微调把「语言跟随」得分抬高了其中 10 台。两个例外是 Bracket Bot（32 → 31，基本持平）与 Unitree R1（42 → 31，反而下降）——这两个数字留在了图里，没有被解释掉。

同样 12 台机器人的零样本 vs FaaS 之后（仿真，相对 YAM = 100）

机器人	零样本	FaaS 之后	变化
Trossen	71	88	+17
Metal Arm	76	87	+11
reBot B601-DM	65	87	+22
AI Worker	44	84	+40
Maker Arm	56	75	+19
SO-101	51	73	+22
OpenArm 2.0	45	70	+25
ROBO-T1	28	68	+40
Mantis	28	57	+29
Galaxea A1Z	42	49	+7
Bracket Bot	32	31	-1
Unitree R1	42	31	-11

规律很清楚：FaaS 在零样本最弱的地方收益最大——两个 28 分变成 68 与 57；而本来就有 76 分的 Metal Arm 只涨了 11。one-shot 适配整体仍然优于零样本，所以差距还在，缩小这个差距被列为他们的主要目标之一：零样本越好，任何一台新机器人就越接近「开箱即用」。

05 · 往后看

今天的 Dream-1 是一个面向「双臂 + 平行夹爪」机器人的操作策略，原文直说这只是起点。底下的信念是：一个足够强、足够通用的机器人基础模型，可以扩展到移动操作平台、灵巧手，以及我们还没想象出来的机体，从而打开更多人们真正想让机器人去做的事。机器人学不会在第一天就被解决，Dream-1 有真实的局限，发布材料尽量把这些局限透明地摆了出来。

它要打破的仍然是 01 节那个循环：每一台新机器人、每一个新任务都要新数据和一套定制策略，而泛化能力往往有限。把它做成一个机器人 API，就是这次下注的方式——把机器人智能交到更多人手里，让普通用户而不只是研究者去发现通用机器人智能的新应用。那张 27 台机器人的表，是这次下注最有力的论据；而表格最底下那个 36.6，是保持耐心最有力的论据。

注释与参考

1. MakerMods，Maker Arm：约 2000 美元起的双臂装置。
2. Yahoo Tech，《Hugging Face 399 美元的 Microduck 机器人已卖出超过 10000 台》，2026 年 9 月 1 日：自 8 月 28 日开启预订以来售出超过 10000 台。
3. DreamZero：提出世界动作模型（WAM）的论文，2026 年 2 月。
4. LAP 同样展示过本体泛化的生命迹象：Zha 等，《LAP: Language-Action Pre-Training Enables Zero-shot Cross-Embodiment Transfer》。
5. Chi 等，《Universal Manipulation Interface: In-The-Wild Robot Teaching Without In-The-Wild Robots》，RSS 2024：仅靠腕部相机、在共用同一款夹爪的机械臂之间零样本迁移。
6. Robocurve，一家向公众度量并报告前沿机器人能力的公益公司：Dream-1 在 RoboDojo-RC Tier 1 上的评测，2026 年 10 月 18 日，CC BY 4.0。

@misc{dreamlabs2026dream1,
  title  = {Zero-Shot to New Robots: Introducing Dream-1},
  author = {Dream Labs},
  year   = {2026},
  url    = {https://dreamlabs.ai/research/dream-1}
}

来源：Dream Labs《Zero-Shot to New Robots: Introducing Dream-1》，2026 年 10 月 —— https://dreamlabs.ai/research/dream-1/ 。本文的全部图片、视频、评测数字与引文均出自该原文；源页面的图表是可交互的，这里把它们背后的数值还原成了表格。除 RoboDojo-RC Tier 1 由 Robocurve 独立测量之外，其余评测分数均为 Dream Labs 自报。