Axis Robotics 宣布開源 Axis Sim Dataset V1，這是目前市面上規模最大的 Franka 機械臂開源模擬操控數據集之一，連同完整數據集、訓練程式碼及基準測試一併公開。
V1 基於模擬版 Franka Research 3 機械臂，收錄逾 50,000 條由真人遠程操控產生的模擬軌跡，涵蓋 207 個操控任務及超過 60,000 個場景變體。
截至目前，該數據集下載量逾 160,000 次，成為 Hugging Face 上下載次數最高的 Franka 開源模擬操控數據集。基準測試顯示，在 V1 上持續預訓練可顯著提升 π0.5 表現，並超越同等規模的 RoboCasa 基線模型，所有結果均公開且可重現。
Axis Robotics 的目標，是為 Physical AI 打造一套「終極複利式」數據引擎——由大規模模擬、第一身實景數據採集、類人機器人行走與操作（loco-manipulation），以至人類監督的 DAgger 後訓練，貫通整條垂直整合數據鏈。公司早前已完成 1,200 萬美元種子輪融資，由 Hack VC 領投，Nomad Capital、Pi Network Ventures、10K Ventures 及多名天使投資者參與。
「賭一把：資料不必完美乾淨」
機械人研究界一個根深柢固的假設，是示範數據必須接近最優：只保留專家級軌跡、標準化場景配置，並在訓練前盡量剔除所有雜訊，方可安全模仿。Axis 的核心主張則截然相反：數據質素應在「分佈層面」衡量，而非單一軌跡。
若有足夠龐大且多元的群眾產生帶雜訊、非最優的示範，且各自犯錯並不相關，雜訊可在整體分佈中被「平均掉」，在訓練中仍能學出具實用價值的策略。
Axis Sim Dataset V1 正是這一論點的公開實驗場。數據集覆蓋揀放（pick-and-place）、疊放、倒液、可動結構物件操控及工具使用等任務，全部是透過 Axis 旗下瀏覽器式遠程操控平台 Axis Hub，由分佈式群眾操作者完成，而非少數專家團隊。數據建構亦與多間學術機構合作，包括 UC Berkeley、Johns Hopkins、University of Michigan 等。
可隨規模放大的成果
在 LIBERO-Plus 基準上，對 V1 進行持續預訓練後，π0.5 成功率由 83.9% 提升至 88.8%，並較同等數據量的 RoboCasa365 基線高出 37.3 個百分點。隨預訓練數據從 25% 擴展至 100%，表現持續改善，暫未見飽和跡象，顯示收益主要來自數據多樣性與覆蓋率，而非單次偶然提升。
最顯著的改進出現在鏡頭視角變化、感測器雜訊及場景佈局擾動等情境，而這正是 Axis 在數據生成時刻意做隨機化的維度。
團隊透露，V2 已在開發中，目標擴展至 120 萬條軌跡、1,200 個任務，並在多種 VLA 模型上驗證跨機體（cross-embodiment）泛化能力，進一步佐證「次優模擬數據」亦可訓練出穩健策略。
數據集背後的「引擎」
V1 只是這套「持續複利」數據引擎的一個輸出。傳統數據供應商往往按預先規格一次性收數便告終止；Axis 則以模型表現及失敗案例去決定下一輪應收集甚麼數據，令每一輪訓練都能反饋到下一輪數據採集。
這套引擎由四條數據主線組成，並已全數達到規模化運作：
模擬數據：透過 Axis Hub 平台，動員逾 200,000 名分佈式貢獻者（該平台是 Base 鏈上最活躍的前三大 dApp 之一），目前已生成超過 470 萬條軌跡，涵蓋 13 種不同機體。
Egocentric 第一身視角：管理一個超過 1,000 人的全職採集團隊，經品質控制培訓，在真實家庭及企業場景中，以第一身視角錄製活動，橫跨 14 個行業。現已累積超過 200,000 小時數據，每日新增逾 4,000 小時，並配備 Vicon 驗證的手部姿態標註。
Loco-manipulation：在真實類人機械人（如 Unitree G1、Booster T2）上，以硬件無關的遠程操控方式，收集超過 500 小時結合移動與精細操作的數據。
人類監督 DAgger 後訓練：針對實際部署中的邊界情況，進行逾 500 小時人類在環迴中的修正訓練。
為確保可追溯性，每一個任務及軌跡均記錄在 Base 鏈上，並按驗證後的工作質素向貢獻者發放獎勵。
從開源數據到商業落地
除了開放模擬數據，Axis 亦直接與各類機械人體系公司合作，為其量身打造專屬的數據管線及模型先驗。
作為 Booster Robotics 的首個模擬數據合作夥伴，Axis 先在數碼世界重建 Booster 的真實工作空間，打造與任務高度對齊的數碼分身（digital twin），再動員分佈式操作者在該場景中收集超過 42,000 個模擬情節，並將之蒸餾成 Booster 專屬的模型先驗。憑藉僅 30 個真實機械人示範，該先驗模型的成功率達 87.5%，相比開箱即用的 π0.5 模型僅得 37.5%；若以相同成功率比較，所需真實示範數量減半。
Axis 其他合作夥伴橫跨不同板塊，包括機體公司（如 Feagine Robotics）、模型公司（Manycore Tech、Dexmal）及工業自動化客戶（Lotus Cars、吉利汽車）。此外，Axis 亦為鏈上機械人網絡提供數據與模型支持，包括 Solana 上的 BitRobot 及 Bittensor 上的 OpenRoboto。
重塑 Physical AI 的數據底座
「Physical AI 的未來，不會是下載一次就用到底的靜態數據集，」Axis Robotics 創辦人馮煒（Chris Feng）表示，「真正需要的是一部不斷生產『模型下一步最需要』數據的引擎。規模帶來覆蓋廣度，多樣性令雜訊保持無偏，封閉環路則把每一次失敗都轉化為進步——這才會產生複利。」
Axis 由來自 UC Berkeley、CMU、Georgia Tech、SJTU 等院校的研究人員，以及多次創業、曾將消費級平台擴展至逾 3,000 萬用戶的創辦人共同創立。公司研究工作由 Georgia Tech 助理教授 Jiachen Li 擔任顧問。
論文連結：https://arxiv.org/abs/2607.21588
項目頁面：https://axisaiorg.github.io/AXIS-V1/
數據集下載：https://huggingface.co/datasets/axisrobotics/Franka-Dataset