Tony Zhao 发布 ACT-2 Preview 机器人模型，洗衣折叠成功率 99.1%
Tony Zhao 介绍 ACT-2 Preview，这是首个统一广泛泛化与高可靠性的机器人模型，单次微调示例即可教会 Memo 新行为并实现泛化。
在 31 个未见过环境中进行 785 次试验，ACT-2 洗衣折叠成功率达 99.1%，折叠质量达人类水平，平均评分 4.72/5，98.3% 获得四星或五星。
模型展现大量涌现能力：从地面捡衣服、处理婴儿服至 8XL 衬衫、对抗干扰与光照变化具有鲁棒性。
Tony Zhao 定义 “Solve” 概念：明确范围与适应成本边界，避免仅凭演示评估进展，ACT-2 通过大规模预训练加少量内部数据实现 “Solve”。
单示例微调即可泛化新行为，预训练规模扩大显著缩小域内与域外性能差距，使内部表现可靠预测野外性能。
Memo 机器人舰队并行运行，快速提升可靠性、质量与速度。
来源：公开信息
ABAB AI 解读
Tony Zhao 团队在机器人领域聚焦泛化与可靠性，ACT-2 通过大规模预训练与少量微调实现洗衣折叠等复杂任务高成功率，单示例学习与舰队并行迭代标志机器人从窄域演示向广域 “Solve” 迈进。
资本路径上，此类高可靠机器人模型将加速家用与工业部署，资金向具备量化泛化指标与实际生产验证的项目集中，Memo 舰队数据飞轮进一步强化竞争壁垒。
类似机器人初创公司发布里程碑式成果案例，当前处于具身智能从实验室向家庭环境快速转化的阶段。
本质属于技术替代：ACT-2 以统一泛化模型替代传统任务特定编程，机器人适应成本大幅降低，定价权从硬件为主向预训练 + 微调的软件定义系统转移，推动家用机器人商业化落地。
ABAB News · 认知定律
单示例泛化胜过千例编程，可扩展性决定机器人天花板。
“Solve” 定义范围与成本，量化指标终结模糊演示时代。
舰队并行迭代，数据飞轮让内部优化直接转化为野外可靠。