Scale AI 联手 Hugging Face 开源 FineART：53 万条子任务标注，让机器人先想再动

做了多年大模型数据生意的 Scale AI，第一次把自己的机器人数据拿出来开源。Scale AI 与 Hugging Face 的 LeRobot 团队联合发布 FineART，号称目前规模最大的带子任务标注的开源机器人数据集，同时开源了配套的视觉-语言-动作模型 FineART-VLA。

数据规模相当可观：40,543 条遥操作记录，总计 1718 小时、151 种任务，全部采集自 Trossen 的 ALOHA 式双臂机器人。真正的亮点在标注——整套数据被拆成了 533,913 个带时间戳和自然语言描述的子任务，平均每条记录约 13 步。

一条指令不够，机器人需要「步骤」

现在大多数机器人数据集，一整段操作只配一句指令，比如「把衣服叠好」。但真实任务是长链条的：先抓起衣角、再对折、再抚平。缺少中间步骤的监督，模型就很难学会长时程、多步骤的操作。已有的双臂数据集虽然有子任务标注，往往也只覆盖一部分时长。FineART 则是 100% 覆盖。

数据的结构也偏向难活：77% 是抓放和分拣，剩下 23% 是叠布、理线、用工具、精密插接这类接触密集的长尾任务。标注由人工完成，没有用视觉语言模型辅助，采集、标注、质检三支团队分开流水作业——这正是 Scale 最擅长的东西。

FineART-VLA：先规划，再执行

配套的 FineART-VLA 基于 Physical Intelligence 的 π0.5 改造，用一个 20 亿参数的 Gemma 主干加 SigLIP 视觉编码器，再配一个 3 亿参数的动作专家。它把「系统 2」的语言规划和「系统 1」的连续控制放进同一个策略里：先用语言说出下一步该做什么，再按这一步输出动作。这也是 LeRobot 生态里第一个开源的系统 1-系统 2 VLA。

论文里的数字很能说明子任务标注的价值：在需要理解空间指令的任务上，经过 FineART 中训练后成功率从 32% 提到 100%；在没见过的长时程任务上，配合人工逐步指导，成功率从 16% 提到 76%。迁移到一台新机器人 YAM 上时，只用十分之一的微调数据就追平了基线。

Scale 的新故事

对 Scale 来说，这次开源更像一次「样品展示」。随着大语言模型的标注需求见顶，具身智能被普遍看作下一个数据金矿，而机器人数据的采集和标注远比文本昂贵、难以规模化。把一份高质量数据集免费放出来，等于向所有机器人公司证明：我们能把这种脏活累活做好，而且能做大。官方博客里那句「想要更大规模、更高质量的标注，请联系我们」，就是这个意思。

而对整个开源社区，这份数据集和模型、训练代码、标注工具一起放出，是实实在在的公共品。机器人领域最稀缺的从来不是模型架构，而是数据。