Tony Zhao 發佈 ACT-2 Preview 機器人模型，洗衣摺疊成功率 99.1%
Tony Zhao 介紹 ACT-2 Preview，這是首個統一廣泛泛化與高可靠性的機器人模型，單次微調示例即可教會 Memo 新行爲並實現泛化。
在 31 個未見過環境中進行 785 次試驗，ACT-2 洗衣摺疊成功率達 99.1%，摺疊質量達人類水平，平均評分 4.72/5，98.3% 獲得四星或五星。
模型展現大量湧現能力：從地面撿衣服、處理嬰兒服至 8XL 襯衫、對抗干擾與光照變化具有魯棒性。
Tony Zhao 定義 “Solve” 概念：明確範圍與適應成本邊界，避免僅憑演示評估進展，ACT-2 通過大規模預訓練加少量內部數據實現 “Solve”。
單示例微調即可泛化新行爲，預訓練規模擴大顯著縮小域內與域外性能差距，使內部表現可靠預測野外性能。
Memo 機器人艦隊並行運行，快速提升可靠性、質量與速度。
來源：公開信息
ABAB AI 解讀
Tony Zhao 團隊在機器人領域聚焦泛化與可靠性，ACT-2 通過大規模預訓練與少量微調實現洗衣摺疊等複雜任務高成功率，單示例學習與艦隊並行迭代標誌機器人從窄域演示向廣域 “Solve” 邁進。
資本路徑上，此類高可靠機器人模型將加速家用與工業部署，資金向具備量化泛化指標與實際生產驗證的項目集中，Memo 艦隊數據飛輪進一步強化競爭壁壘。
類似機器人初創公司發佈里程碑式成果案例，當前處於具身智能從實驗室向家庭環境快速轉化的階段。
本質屬於技術替代：ACT-2 以統一泛化模型替代傳統任務特定編程，機器人適應成本大幅降低，定價權從硬件爲主向預訓練 + 微調的軟件定義系統轉移，推動家用機器人商業化落地。
ABAB News · 認知定律
單示例泛化勝過千例編程，可擴展性決定機器人天花板。
“Solve” 定義範圍與成本，量化指標終結模糊演示時代。
艦隊並行迭代，數據飛輪讓內部優化直接轉化爲野外可靠。