Axis Robotics 正式发布并开源 Axis Sim Dataset V1，这是目前公开的 Franka 机械臂操作仿真数据集中规模最大之一。官方同步开放了完整数据集、训练代码以及评测基准，面向全球研究者免费使用。
V1 基于模拟的 Franka Research 3 机械臂构建，包含超过 5 万条由人类远程操控生成的仿真轨迹，覆盖 207 个操作任务与 6 万余种场景变体。
该数据集在 Hugging Face 上累计下载量已超过 16 万次，成为平台上下载量最高的开源 Franka 操作仿真数据集。在基准测试中，基于 V1 持续预训练显著抬升了策略 π0.5 的表现，并超越等量数据规模的 RoboCasa 基线；所有实验结果均已公开，可供复现与审计。
Axis Robotics 正在打造面向 Physical AI 的“复利式数据引擎”——一套从大规模仿真、自中心真实世界采集，到类人机器人移动-操作（loco-manipulation）及人类把关的 DAgger 事后强化训练的纵向一体化系统。公司此前已完成 1200 万美元种子轮融资，由 Hack VC 领投，Nomad Capital、Pi Network Ventures、10K Ventures 及多位天使投资人参投。
押注“不是只有干净数据才有价值”
传统机器人学中，一个普遍假设是：示教数据必须尽可能接近“专家演示”，需要事先严格筛选、标准化流程，并剔除噪声数据，模型才能安全模仿。Axis 提出的核心论点则完全相反：数据质量应从“分布层面”来衡量，而非单条轨迹。
在足够大、足够多样的人群参与下，即便单条轨迹存在噪声和次优操作，只要这些误差在总体上不相关，噪声就会在训练过程中被平均掉，仍可收敛出有效的控制策略。
Axis Sim Dataset V1 就是这一论点的公开实验场。数据集中涵盖抓取与放置、堆叠、倾倒、关节物体操作以及工具使用等多类任务，全部通过 Axis 自研的浏览器远程操控平台 Axis Hub 由分布式人群采集完成，而非少数专家团队集中示教。参与构建的合作方包括加州大学伯克利分校、约翰斯·霍普金斯大学、密歇根大学等多所学术机构。
结果随规模持续提升
在 LIBERO-Plus 基准上，以 V1 做持续预训练后，π0.5 成功率从 83.9% 提升至 88.8%，并在等体量数据对比中，比 RoboCasa365 基线高出 37.3 个百分点。随着预训练数据从 25% 逐步扩展到数据集的 100%，性能持续提升，尚未出现明显饱和迹象，表明收益主要来自数据多样性与覆盖度，而非单次偶然提升。
最大的性能增益出现在相机视角扰动、传感器噪声和场景布局变化等情形下——这些正是 Axis 在数据生成过程中重点做随机化的维度。
Axis 团队透露，V2 已在筹备中，计划扩展至约 120 万条轨迹、1200 个任务，并跨多种机器人形态做泛化测试；多款 VLA（Vision-Language-Action）模型上的实验结果显示，次优仿真数据同样可以训练出足够鲁棒的控制策略。
数据集背后的“数据引擎”
这一数据集只是 Axis 更大规模、动态复利数据引擎的一个输出。与传统一次性按规格采集、采完即止的数据服务不同，Axis 以模型实际表现与失败案例为反馈，反向驱动下一轮数据采集方向，使每一轮训练都能“反哺”下一轮数据建设。
该数据引擎采用四条数据线并行的混合策略，目前均已进入规模化运行阶段：
仿真数据：依托 Axis Hub 平台，这一应用已成为 Base 公链上排名前三的 dApp，拥有超过 20 万分布式贡献者，已在 13 种不同机器人形态上累计生成 470 万余条轨迹。
自中心（Egocentric）数据：运营一支超过 1000 人的全职、经质量控制培训的采集团队，在真实家庭与商业环境中，以第一视角记录 14 个行业场景下的人类活动，总时长已超过 20 万小时，并以每日 4000 小时以上的速度持续增长，且具备 Vicon 级别的手部姿态标注。
Loco-manipulation 数据：在真实类人机器人（包括 Unitree G1、Booster T2 等）上，通过与硬件无关的远程操控方式，已累计采集 500+ 小时“移动 + 操作”组合任务数据。
人类把关的 DAgger 事后训练：针对真实部署中的边缘案例开展人类在环纠正，目前累计 500+ 小时。
每个任务与轨迹都通过 Base 链上记录实现可追溯性，贡献者则根据经验证的任务质量获得激励。
从开源数据到商业落地
在开源仿真数据之外，Axis 还直接与机器人本体公司合作，联合打造针对具体形态的定制化数据流水线与模型先验。
作为 Booster Robotics 的首家仿真数据合作方，Axis 首先将 Booster 的真实工作空间构建为任务对齐的数字孪生，然后组织分布式贡献者在该数字孪生环境中采集了 4.2 万余个仿真实例，并据此蒸馏出 Booster 专用的模型先验。仅依靠 30 条真实机器人演示，该先验模型即可达到 87.5% 的成功率，而现成的 π0.5 策略仅为 37.5%；在真实示教数据减半的情况下，其表现已可追平 π0.5。
其他合作伙伴包括本体公司 Feagine Robotics，模型公司 Manycore Tech、Dexmal，以及工业自动化客户 Lotus Cars、吉利汽车等。Axis 还为链上机器人网络提供数据与模型支持，包括 Solana 上的 BitRobot、Bittensor 上的 OpenRoboto。
重塑 Physical AI 的数据底座
“Physical AI 的未来不会依赖一个你一次性下载的静态数据集。”Axis Robotics 创始人 Chris Feng 表示，“真正关键的是一个可以持续生产‘模型下一步真正需要的数据’的引擎。规模带来覆盖度，多样性保证噪声不偏不倚，闭环会把每一次失败都转化为进步——这才是会复利的东西。”
Axis 团队由来自加州大学伯克利分校、卡内基梅隆大学、佐治亚理工学院、上海交通大学等高校的研究人员，以及曾将消费级平台用户规模扩展至 3000 万以上的连续创业者共同创立。公司研究工作由佐治亚理工学院助理教授 Li Jiachen 担任学术顾问。
论文链接: https://arxiv.org/abs/2607.21588
项目主页: https://axisaiorg.github.io/AXIS-V1/
数据集链接: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
Github 代码库: https://github.com/AxisAIOrg/Axis-V1-Training