Axis Robotics釋出Axis Sim Dataset V1，這是目前開源社群中規模最大的Franka機械臂操作模擬資料集之一，並同步開放完整資料集、訓練程式碼與基準測試。V1建構於超過5萬條人類遠端操控的模擬軌跡之上，涵蓋207種操作任務與逾6萬種場景變化，皆在模擬的Franka Research 3機械臂環境中完成。
這套資料在Hugging Face累積下載次數突破16萬次，成為該平台上下載量最高的Franka操作模擬開源資料集。基準測試顯示，持續在V1上進行預訓練，可有效提升π0.5表現，並超越在相同資料量下的RoboCasa基準模型，所有結果均已公開且可供外部驗證。
Axis Robotics目標是為「實體AI（Physical AI）」打造一套可持續複利成長的數據引擎，從大規模模擬、第一人稱真實世界資料採集，到人形機器人行走與操作（loco-manipulation），再到人類介入的DAgger後訓練，形成一條垂直整合的資料閉環。公司已完成1,200萬美元種子輪融資，由Hack VC領投，Nomad Capital、Pi Network Ventures、10K Ventures與多位天使投資人參與。
押注「不乾淨數據」的反向賭注
在機器人領域，一般假設是示範數據必須高度接近最優解——必須先篩選出專家軌跡、統一實驗設定、剔除所有「吵雜」樣本，才適合拿來模仿學習。Axis的核心觀點則完全相反：數據品質真正體現在「分布層級」，而不是單一軌跡。
若能動員足夠龐大、足夠多樣的群眾，讓大量帶有雜訊、不完全最優的示範軌跡彼此疊加，且錯誤不具相關性，那麼在訓練過程中，雜訊會被平均稀釋，留下的是可運作的策略。
Axis Sim Dataset V1正是這一論點的公開實驗場。資料涵蓋抓取與放置、堆疊、倒液、可動關節物體操作、工具使用等不同任務，全部透過Axis自家瀏覽器端遠端操控平台Axis Hub蒐集，操作者為分散式群眾，而非單一專家團隊。資料集與加州大學柏克萊分校、約翰霍普金斯大學、密西根大學等多所學術機構研究者共同打造。
可隨規模持續放大的成果
在LIBERO-Plus基準上，持續以V1進行預訓練，可將π0.5成功率從83.9%提升至88.8%，相較於相同資料量的RoboCasa365基準高出37.3個百分點。當預訓練所用資料量從資料集的25%增加到100%時，效能呈現「持續上升且尚未飽和」的趨勢，顯示提升主要來自資料多樣性與覆蓋範圍，而非一次性「撿到便宜」的效果。
最大幅度的改善出現在攝影機視角、感測器雜訊與場景布局出現擾動時——這正是Axis在資料生成階段刻意隨機化的幾個關鍵維度。
團隊並透露，V2版資料集已在製作中，規模將擴大至120萬條軌跡、1,200個任務，同時跨多種機器人體型檢驗泛化能力。多個VLA模型的初步結果顯示，即便是「不完美的模擬數據」，仍足以訓練出相當穩健的策略。
支撐資料集的「引擎」
V1只是整體「複利數據引擎」的一個輸出。傳統資料供應商多半依照固定規格蒐集到一定量就停止；Axis則以模型實際表現與失敗案例作為迭代依據，動態決定下一輪應該蒐集哪些資料，讓每一輪訓練都能回饋到下一輪的數據設計。
這套引擎採取混合策略，涵蓋四條主要數據線，目前都已達到規模化運作：
模擬數據：透過Axis Hub動員超過20萬名分散式貢獻者，這個平台已成為Base鏈上前三大dApp之一，累積產出超過470萬條軌跡，涵蓋13種不同機器人體型。
第一人稱（Egocentric）數據：建置超過1,000名全職、通過品質控管訓練的採集者網路，在真實家庭與企業環境、橫跨14個產業，以第一人稱視角記錄活動；目前已累積逾20萬小時資料，每日新增超過4,000小時，並具備Vicon驗證的手部姿態資訊。
行走操作（Loco-manipulation）：在真實人形機器人（如Unitree G1、Booster T2）上，透過與硬體無關的遠端操控方式，收集超過500小時結合移動與精細操作的數據。
人類介入的DAgger後訓練：針對實際部署時易出錯的邊界情境，投入逾500小時「人類在環」的修正訓練。
所有任務與軌跡都會上鏈記錄在Base上，以確保數據溯源，並依「通過驗證的工作品質」對貢獻者給予獎勵。
從開源數據走向商業落地
除了開源模擬資料，Axis也直接與機器人體型公司合作，為各種具體硬體打造客製化、具體型特性的數據管線與模型先驗。
作為Booster Robotics的首位模擬數據合作夥伴，Axis首先在數位世界重建Booster實際工作場域，打造與任務緊密對齊的數位分身，並動員分散式群眾在此環境中蒐集超過4.2萬個模擬情節，再將其蒸餾成「Booster專用」模型先驗。最終，僅用30次實體機器人示範，就讓該先驗模型達到87.5%成功率，相較於未微調的π0.5僅有37.5%，在實體示範次數減半的情況下，表現已能追平π0.5。
其餘合作夥伴涵蓋機器人體型公司（如Feagine Robotics）、模型公司（Manycore Tech、Dexmal）以及工業自動化客戶（蓮花汽車、吉利汽車）等。Axis也為上鏈機器人網路提供數據與能力，包括Solana上的BitRobot以及Bittensor上的OpenRoboto。
重新定義實體AI的數據根基
「實體AI的未來，不會是一個下載一次就用到底的靜態資料集，」Axis Robotics創辦人Chris Feng表示。「真正需要的是一個可以不斷產出『模型下一步所需數據』的引擎。規模帶來廣度覆蓋，多樣性確保雜訊不偏，不斷閉環則讓每一次失敗都能轉化成進步，這才會形成長期複利。」
Axis由來自加州大學柏克萊分校、卡內基美隆大學、喬治亞理工學院與上海交通大學等校的研究者，以及曾將消費型平台擴張至3,000萬用戶以上的連續創業者共同創立。其研究由喬治亞理工學院助理教授Jiachen Li擔任顧問。
論文連結：https://arxiv.org/abs/2607.21588
專案頁面：https://axisaiorg.github.io/AXIS-V1/
資料集連結：https://huggingface.co/datasets/axisrobotics/Franka-Dataset