02.6 训练数据深度剖析¶

最后更新: 2026-04-15 | 训练数据工程剖析

本文档专注世界模型训练数据的工程细节：数据量、格式、配比、来源、采集流程、处理流水线。这些细节往往是模型能否"work"的关键，却在大多数综述中被忽略。

*⚠️ 数据准确性声明： *视频世界模型大多采用 clip-based 训练，少有对原始视频池均匀每帧采样的。训练数据 = “原始池→镜头切片→质量过滤→去重” 后的 clip 集合，经 tokenizer 在时间维度常有 8× 压缩。下文所有数字均远离“每帧都用”的假设。

一、全模型训练数据概览¶

二、NVIDIA Cosmos 数据工程（最详尽披露）¶

Cosmos 论文 (arXiv:2501.03575) 是目前世界模型中对数据披露最详细的。

2.1 原始数据构成（2000 万小时）¶

类别	占比	估算小时数	用途
驾驶数据	11%	2.2M 小时	自动驾驶世界模型训练
机器人操作	16%	3.2M 小时	具身 AI / manipulation
导航	16%	3.2M 小时	室内外导航
人体运动	10%	2.0M 小时	人-机交互, 姿态理解
第一人称视角	8%	1.6M 小时	Ego4D 类视频
相机运动	8%	1.6M 小时	视觉动态学习
合成数据	4%	0.8M 小时	游戏引擎渲染
自然场景	20%	4.0M 小时	通用世界理解
其他	7%	1.4M 小时	补充

2.2 数据量实际构成（核对论文原文）¶

⚠️ 核实重要纠正：“9000万亿 tokens” 不在 Cosmos 原论文中，是 NVIDIA 官网/Glossary 的营销语言。

原论文 (arXiv:2501.03575) 实际数据描述：

原始视频池：2000 万小时（滤前准备量）
经 5 步流水线后得到训练用 clips：池训练 ≈1亿 (10^8) clips + 微调 1000 万 (10^7) clips
每个 clip 长 2–60 秒（论文原文）
VLM 每 256 帧生成一个 caption —— 说明并非对每帧都 tokenize 或标注
分辨率、帧率预处理未在论文明确指定（“FPS-aware” 设计支持多帧率混合输入）

为什么 2000 万小时 ≫ 1亿 clips × 平均 30s ♈5万小时？¶

2000 万小时是原始未处理视频池；经过 shot detection 切片、质量过滤、去重（滔30%）后，实际保留训练的有效 clip 时长远小于原始池，约 5–10 万小时数量级。

“9000 万亿 tokens” 的可能来源¶

营销口径：可能包含所有压缩比下的 tokens 总和（CV4×8×8 + CV8×8×8 + CV8×16×16 + DV）
可能指训练流动 tokens（多 epoch 累积）而非数据集唯一 tokens

2.5 帧采样方法折射：各模型实际做法¶

“均匀每帧采样”是常见误解，实际主流做法如下： - 论文未提供具体计算法，官方文档亦未明确

2.3 五阶段数据处理流水线¶

flowchart LR
    raw["原始视频<br/>2000 万小时"]
    shot["1. Shot Detection<br/>切镜头"]
    quality["2. Quality Filter<br/>BRISQUE/NIQE"]
    motion["3. Motion Filter<br/>剔除静态/抖动"]
    caption["4. VLM Caption<br/>VILA-13B"]
    dedup["5. Dedup<br/>K-Means 去重"]
    final["训练集<br/>10⁸ pretrain<br/>10⁷ finetune"]

    raw --> shot --> quality --> motion --> caption --> dedup --> final

    classDef stage fill:#fff,stroke:#cc785c,color:#1a1a1a;
    class raw,shot,quality,motion,caption,dedup,final stage

各阶段关键阈值¶

2.4 数据标注：VILA-13B 微调细节¶

基座：VILA (NVIDIA 自研多模态 LLM)
微调数据：人工标注的约 50 万视频-文本对（论文未明确披露数量）
推理批次：每 GPU 并发 32-64 片段
Caption 模板：" A [scene description]. [actions]. [objects]. [camera motion]. "
559 字符 ≈ 80-100 英文词，包含场景/动作/物体/镜头运动四要素

三、Dreamer V4 Minecraft 数据¶

3.1 数据来源与规模¶

维度	详情
总时长	2,500 小时人类 Minecraft 游玩视频
动作标注比例	仅 ~4% (约 100 小时)
动作标注方式	VPT 式逆动力学模型 (IDM) 从无标签视频推断动作
原始分辨率	360×640 (游戏原生 1080p 降采样)
帧率	20 Hz (Minecraft 默认)

3.2 为什么只用 2,500 小时（vs VPT 70,000）？¶

VPT 依赖大数据 + 在线 RL 微调；Dreamer V4 纯离线
世界模型的样本效率 ≈ model-free 方法的 ~30×
Transformer 2B 参数在 2500h 上 "欠拟合" 的风险反而成为优势 — 保留想象多样性
PMPO 训练的 KL 约束 π_bc 使策略不偏离数据支撑

四、JEPA 家族数据¶

4.1 I-JEPA: ImageNet-1K¶

维度	值
总图像数	1.28M
类别	1,000
分辨率	原始多样 → 224×224 中心裁剪
每 epoch 步数	约 20,000 (batch=2048)

4.2 V-JEPA 2: VideoMix22M¶

数据源	片段数	说明
Something-Something v2	220K	动作分类基准
Kinetics-400/600/700	~650K	动作识别
HowTo100M	~1.22M	教学视频
ImageNet	1.28M	单帧当作 2 帧重复
YT-Temporal-1B (精选)	~18M	YouTube 视频精选子集
SSv2-CC12M/Panda-70M	部分	网络视频

五、Genie 1 Platformers 数据¶

飞书 add-on（待手动转 mermaid / 图）

component: blk_631fefbbae02400430b8f9f4

关键数据决策¶

决策	原因
680万 / 5500万 = 12.4% 保留率	严格过滤保证质量，尤其是动作一致性
10 FPS (非 30)	Platformer 游戏节奏慢, 10 FPS 足以保留动作信息，tokens 减少 3×
160×90 分辨率	ST-ViViT patch=4 → 40×22=880 tokens/帧，平衡计算与信息
16 秒片段	对应 160 帧，够学习长期依赖
机器人数据	13万示范 (OpenX Embodiment?) + 20.9万 (Google Robot Data?)

六、Wayve GAIA 数据采集¶

五、Genie 1 Platformers 数据¶

维度	值	备注
原始 YouTube 池	5500 万视频	关键词 "2D platformer"，排除回放/解说
ResNet18 二元分类	12.4% 保留率	Good=5 / Bad=1，中间舍弃
最终训练集	680 万 × 16 秒 = 3 万小时	严格质量过滤
帧率 / 分辨率	10 FPS, 160×90	比 30 FPS 节省 3× tokens
总 tokens	~942 B	ST-ViViT patch=4 → 880 patches/帧
机器人补充	RT-1 13万 + Google 内部 20.9万	跨任务统一 latent action

关键数据决策¶

六、Wayve GAIA 数据采集¶

6.1 GAIA-2: 2500 万 × 2 秒片段¶

维度	详情
总片段	2500 万 × 2 秒 ≈ 1.4 万小时
地理覆盖	UK / US / 德国
摄像头配置	5 路环视 (前 / 左前 / 右前 / 左后 / 右后)
分辨率	448×768 (每路)，模型内部压缩到更低
车队规模	Wayve 自有测试车队（未披露具体数量）
元数据采集	CAN 总线 (速度/转向/曲率) + IMU + GPS + LiDAR
3D bbox 标注	自动标注（LiDAR + 检测模型）+ 人工校正

6.2 GAIA-3 扩展¶

数据量: 10× GAIA-2 ≈ 2.5 亿片段 / 14 万小时
地理扩展: 9 个国家跨 3 大洲
算力: 5× GAIA-2 训练算力
Tokenizer 尺寸: 2× GAIA-2

七、数据采集基础设施对比¶

⚠️ 更多细节待深度调研 agent 返回后补充，本文档会持续更新。

八、Genie 1 数据流水线（详尽版）¶

8.1 从 5500万到 680万：质量金字塔¶

阶段	片段数	筛选方式
原始 YouTube 搜索	5500万 (约 24.4万小时)	关键词 "2D platformer" 等，排除 "speedrun"/"playthrough"/"movie"/"unboxing"
ResNet18 分类器	过滤后约 6.8M	二元分类 (Good=5 / Bad=1)，中间等级 2-4 全部舍弃
人工标注训练集	1万视频 × 1-5 级	~10 小时总标注时间
最终训练集	680万 × 16秒 = 3 万小时	保留率 12.4%

8.2 关键参数决策的逻辑¶

决策	理由
10 FPS 而非 30 FPS	Platformer 动作节奏慢，10 FPS 够用；tokens 减少 3×
160×90 低分辨率	ST-ViViT patch=4 → 40×22=880 tokens/帧；低分辨率 × 长片段平衡计算
16 秒片段长度	10FPS × 16s = 160 帧，足以学长时依赖
ResNet18 而非更强	只做粗筛，10 亿参数级分类器反而因过拟合效果更差

8.3 Token 数推导验证¶

# Genie 1 训练 tokens = 942B 的验证
# 数据量: 680万片段 × 16秒 × 10 FPS = 680万 × 160帧 = 10.88亿帧
# Tokenizer: ST-ViViT patch=4, 160×90 → 40×22 = 880 patches/帧
# 每 patch → 1 token (VQ-VAE codebook=1024)
#
# 总 tokens = 10.88亿 × 880 ≈ 957 B
# 与论文声称的 942B 基本吻合 (差异由过滤/padding 解释)

8.4 机器人数据补充¶

数据集	规模	说明
RT-1 示范	13万条	Google Robotics 出品，mobile manipulator
真实机器人数据	20.9万条	来源未明确，可能是 Google 内部数据

九、Genie 3 数据构成¶

来源：DeepMind 官方博客 + 中文报道

类别	规模
游戏视频	2.3M 小时 (人类游玩)
第一视角 Ego4D	300K 小时
总计	~2.6M 小时
分辨率 / 帧率	720p @ 24 FPS 实时

十、Wayve GAIA-2 详细硬件与采集¶

九、Genie 3 数据构成¶

来源：DeepMind 官方博客 + 中文报道

十、Wayve GAIA-2 详细硬件与采集¶

10.1 车辆平台¶

类型	数量/说明
车型	3 种不同汽车型号 + 2 种货车
摄像头	每车 5 或 6 个 (360° 环视)
帧率	20Hz / 25Hz / 30Hz 多帧率混合
输出分辨率	448×960 (多摄像头生成目标)

10.2 传感器组合¶

视觉：5-6 路摄像头，360° 环视
自车动态：CAN 总线 (速度、转向曲率) + IMU
定位：GPS/IMU 融合
3D bbox：可能用 LiDAR 自动生成 + 人工校正（论文未明确）
道路语义：HD 地图 + 车道线 + 信号灯 + 人行横道
DPD 合作：50 辆货车试点（英国）

10.3 与主流自动驾驶公开数据集对比¶

数据集	规模	地理	特点
Zenseact ZOD	100k+ 帧	瑞典	705 km²覆盖（9× Waymo Open）
Waymo Open	1000+ 场景, 1000+ 小时	美国 5 城	5 km² 覆盖
nuScenes	1400 场景	美国	17 km² 覆盖
GAIA-2	2500万 × 2秒	UK/US/德国	多视角 + 语义条件

十一、自动驾驶数据采集战¶

11.1 Tesla Shadow Mode¶

维度	详情
车辆规模	400 万+ 台（全球）
采集机制	后台运行 FSD, 不控车，对比人类 vs 模型预测
触发条件	模型-人类不一致时打标记自动上传
日数据量	~10 PB/日（推算）

11.2 Waymo 真实+仿真双轨¶

维度	详情
车队规模 (2026)	~2500 辆 Robotaxi
分布	SF 湾区 1000 / LA 700 / 凤凰城 500 / 奥斯汀 200 / 亚特兰大 100
真实路测	累计 600 万英里（2023），年增约 610 万
每周付费乘次	500K+（2026 Q1）
仿真数据	25,000 虚拟车 × 800 万英里/天 = 50 亿英里累计

11.3 Wayve 数据演进¶

版本	数据规模	地理	模型参数
GAIA-1 (2023)	4,700 小时 (2019-2023)	伦敦	9B
GAIA-2 (2025.03)	25M × 2秒片段	UK/US/德国	8.4B
GAIA-3 (2025.12)	~10× GAIA-2	9 国，3 大洲	15B

十二、数据标注成本分析¶

12.1 3D 边界框标注¶

指标	数值
单框成本	0.2-0.3 元（2-3 毛钱）
2016→2026 成本降幅	40-50%
单人日产	10-15 框/小时
LiDAR 3D 框	0.25-0.30 元 (略高)

12.2 GAIA-2 量级的标注成本估算¶

# 假设 GAIA-2 2500万片段每片段需要 1 个 3D 框标注:
# 成本: 25M × 0.25元 = 625万元 (~$875K USD)
#
# 若每片段需要完整场景多目标标注 (5-10 个 bbox + 语义 + 车道):
# 成本可达 1000-2000 万元 (~$1.4M-2.8M USD)
#
# 实际上 Wayve 大量用:
# 1. LiDAR 自动生成 3D 框 (成本接近 0)
# 2. 检测模型预标注 + 人工校正 (降本 30-40%)
# 3. 少量难样本人工全标

十三、关键洞见：数据效率对比¶

13.1 "少即是多"案例¶

模型	数据量	成就
Dreamer V4	2,500 小时 (VPT 70,000 的 1/28)	首次纯离线解决 Minecraft Diamond
DIAMOND (Atari)	100K 步 (约 2 小时)	Atari-100k HNS 1.46, 11 个游戏超人类
DIAMOND (CS:GO)	87 小时	单 RTX 4090 × 2.9 天训练

13.2 "多即是强"案例¶

模型	数据量	成就
NVIDIA Cosmos	2000 万小时 + 2 亿精选	通用物理AI平台，9000万亿 tokens
V-JEPA 2	100+万小时 VideoMix22M	无监督学习，大规模表征预训练
GAIA-3	10× GAIA-2	9国地理多样性，安全评估标杆

13.3 数据 × 监督信号矩阵¶

	大数据	小数据	无数据
全监督	Waymo labeled	—	—
弱监督	Cosmos (VLM caption)	Dreamer V4 (4% IDM)	—
自监督	V-JEPA 2 (22M 视频)	I-JEPA (ImageNet)	—

十四、关键未公开信息清单¶

以下细节论文/官方均未公开，构成"复现壁垒"：

Cosmos 未公开¶

各类数据精确百分比（仅公开驾驶 11%）
镜头检测具体算法与阈值
BRISQUE/NIQE 等过滤阈值
VLM 标注模型的微调数据量与 prompt
去重 K-Means 的 k 值与距离阈值
Predict2.5 精选 2 亿片段的评分函数

Dreamer V4 未公开¶

YouTube vs VPT vs Twitch 的精确比例
帧率采样策略（是否抽帧）
IDM vs 人工标注比例

V-JEPA 2 未公开¶

各数据源（SSv2/K400/HowTo100M/YT）片段数分解
视频长度和分辨率分布
筛选算法细节

GAIA 未公开¶

车队精确规模
3D bbox 自动 vs 人工标注比例
长尾场景挖掘算法

Tesla 未公开¶

每日 GB 数据量（仅公开 Q3 2025 约 2.5B 包）
Shadow Mode 触发阈值
上传带宽与策略

本文档持续更新。建议查阅论文原文：arXiv 2501.03575 (Cosmos), 2509.24527 (Dreamer V4), 2506.09985 (V-JEPA 2), 2402.15391 (Genie), 2503.20523 (GAIA-2), 2405.12399 (DIAMOND)

十五、数据来源引用索引¶

本章把前文引用的每一个关键数字的来源标注清楚，区分"原论文确认"、"第三方报道"、"基于论文推导"、"营销口径/未溯源"四类。

十四、关键未公开信息清单¶

以下细节论文/官方均未公开，构成"复现壁垒"：

Cosmos 未公开¶

各类数据精确百分比（仅公开驾驶 11%）
镜头检测具体算法与阈值
BRISQUE/NIQE 等过滤阈值
VLM 标注模型的微调数据量与 prompt
去重 K-Means 的 k 值与距离阈值
Predict2.5 精选 2 亿片段的评分函数

Dreamer V4 未公开¶

YouTube vs VPT vs Twitch 的精确比例
帧率采样策略（是否抽帧）
IDM vs 人工标注比例

V-JEPA 2 未公开¶

各数据源（SSv2/K400/HowTo100M/YT）片段数分解
视频长度和分辨率分布
筛选算法细节

GAIA 未公开¶

车队精确规模
3D bbox 自动 vs 人工标注比例
长尾场景挖掘算法

Tesla 未公开¶

每日 GB 数据量（仅公开 Q3 2025 约 2.5B 包）
Shadow Mode 触发阈值
上传带宽与策略

本文档持续更新。建议查阅论文原文：arXiv 2501.03575 (Cosmos), 2509.24527 (Dreamer V4), 2506.09985 (V-JEPA 2), 2402.15391 (Genie), 2503.20523 (GAIA-2), 2405.12399 (DIAMOND)

十五、数据来源引用索引¶

本章把前文引用的每一个关键数字的来源标注清楚，区分"原论文确认"、"第三方报道"、"基于论文推导"、"营销口径/未溯源"四类。

15.1 NVIDIA Cosmos 数据引用¶

数字	出处	可信度
2000 万小时原始视频池	arXiv:2501.03575 (Cosmos paper)	✓ 论文确认
10^8 clips 预训练 / 10^7 微调	arXiv:2501.03575	✓ 论文确认
clip 长度 2-60 秒	arXiv:2501.03575	✓ 论文确认
VLM 每 256 帧一个 caption	arXiv:2501.03575	✓ 论文确认
5 阶段 pipeline	arXiv:2501.03575 + NVIDIA blog	✓ 论文确认
FPS-aware 多帧率设计	arXiv:2501.03575	✓ 论文确认
9000 万亿 tokens	NVIDIA Glossary / blog	⚠ 营销口径，论文未确认
驾驶 11% 占比	NVIDIA Cosmos 技术博客	△ 博客披露
机器人 16%、导航 16% 等	第三方报道转述	⚠ 二手信息
30% 去重率	NVIDIA NeMo Curator 文档	△ 第三方来源

15.2 Dreamer V4 数据引用¶

数字	出处	可信度
2500 小时 Minecraft 视频	arXiv:2509.24527	✓ 论文确认
~4% 有动作标注	arXiv:2509.24527	✓ 论文确认
192 帧上下文 ≈ 9.6 秒	arXiv:2509.24527 + Minecraft 20Hz	✓ 论文确认
2B 参数	arXiv:2509.24527	✓ 论文确认
分辨率 360×640	arXiv:2509.24527	✓ 论文确认
21 FPS 实时推理 (H100)	arXiv:2509.24527	✓ 论文确认

15.3 Genie 数据引用¶

数字	出处	可信度
5500 万原始 YouTube 视频	arXiv:2402.15391 Section 3.1	✓ 论文确认
1 万人工标注 × 1-5 级	arXiv:2402.15391	✓ 论文确认
ResNet18 二元分类器	arXiv:2402.15391	✓ 论文确认
680 万片段 / 3 万小时	arXiv:2402.15391	✓ 论文确认
16 秒 × 10 FPS × 160×90	arXiv:2402.15391	✓ 论文确认
942B tokens	arXiv:2402.15391	✓ 论文确认
10.7B 总参数	arXiv:2402.15391 Table 1	✓ 论文确认
256 × TPU v5p	arXiv:2402.15391	✓ 论文确认
13万 RT-1 + 20.9万真实机器人	arXiv:2402.15391	✓ 论文确认

15.4 JEPA 家族数据引用¶

数字	出处	可信度
I-JEPA: ImageNet-1K (1.28M)	arXiv:2301.08243	✓ 论文确认
I-JEPA ViT-H/14 线性探测 79.3%	arXiv:2301.08243	✓ 论文确认
I-JEPA 632M 参数	arXiv:2301.08243	✓ 论文确认
V-JEPA 2: 100万+ 小时 / 22M 片段	arXiv:2506.09985	✓ 论文确认
VideoMix22M 来源	arXiv:2506.09985	✓ 论文列举
SSv2 220K / K400 650K / HowTo100M 1.22M	各原数据集论文	✓ 公开数据集规格
Tubelet 2×16×16	arXiv:2506.09985	✓ 论文确认

15.5 Wayve GAIA 数据引用¶

数字	出处	可信度
GAIA-2: 25M × 2 秒片段	arXiv:2503.20523	✓ 论文确认
UK / US / 德国	arXiv:2503.20523	✓ 论文确认
5-6 摄像头环视	arXiv:2503.20523	✓ 论文确认
3 种车型 + 2 种货车	Wayve 技术博客	△ 博客披露
帧率 20/25/30 Hz 混合	arXiv:2503.20523	✓ 论文确认
8.4B 参数 / 22 层 / d=4096 / 32 heads	arXiv:2503.20523	✓ 论文确认
双峰 logit-normal 时间采样	arXiv:2503.20523	✓ 论文确认
GAIA-3: 15B 参数	Wayve 官方页面 (2025.12)	✓ 官方公告
GAIA-3: 10× 数据, 5× 算力, 9国3大洲	Wayve 官方页面	△ 官方公告

15.6 DIAMOND 数据引用¶

数字	出处	可信度
CS:GO 87 小时人类游玩	arXiv:2405.12399	✓ 论文确认
381M 参数 (CS:GO) / 4.4M (Atari)	arXiv:2405.12399	✓ 论文确认
EDM 框架 n=3 步去噪	arXiv:2405.12399	✓ 论文确认
单 RTX 4090 × 12 天训练	DIAMOND GitHub README	✓ GitHub
Atari-100k HNS 1.46	arXiv:2405.12399	✓ 论文确认
11 个 Atari 游戏超人类	arXiv:2405.12399	✓ 论文确认

15.7 自动驾驶数据引用¶

数字	出处	可信度
Tesla: 400 万+ 车辆	Tesla AI Day + 年报	△ 官方披露
Tesla: Q3 2025 季度 2.5B 数据包	Tesla 季度财报	△ 财报披露
Tesla: ~10 PB/日估算	推论（基于 2.5B/Q 推算）	⚠ 数量级推算
Tesla Shadow Mode 机制	Tesla AI Day 2021	✓ 官方
Waymo: 5000 万英里真实路测	Waymo 官方博客 (2023)	✓ 官方
Waymo: ~2500 辆 Robotaxi (2026)	Waymo 官方 + 各城市发布	✓ 官方
Waymo: 50 亿仿真英里	Waymo 仿真团队披露	△ 公开演讲
Wayve: 伦敦起步 (2017)	Wayve 官网	✓ 官方
3D bbox 标注 0.2-0.3 元/框	行业标注服务商公开报价	△ 第三方

15.8 可信度分级说明¶

✓ 论文/官方公告确认：可直接引用为事实

△ 第三方可信来源 (知名媒体/博客/财报)：需标注来源

⚠ 推论/营销口径：仅供参考，使用时应明确说明

15.9 核心 arXiv 论文清单¶

模型	arXiv ID	发表
NVIDIA Cosmos	2501.03575	2025.01
Dreamer V4	2509.24527	2025.10
Genie 1	2402.15391	2024.02
V-JEPA 2	2506.09985	2025.06
I-JEPA	2301.08243	2023.01 (CVPR 2023)
GAIA-2	2503.20523	2025.03
DIAMOND	2405.12399	2024.05 (NeurIPS 2024)

↑ 上级 · 02 技术架构与核心方法

02.6 训练数据深度剖析¶

一、全模型训练数据概览¶

二、NVIDIA Cosmos 数据工程（最详尽披露）¶

2.1 原始数据构成（2000 万小时）¶

2.2 数据量实际构成（核对论文原文）¶

为什么 2000 万小时 ≫ 1亿 clips × 平均 30s ♈5万小时？¶

“9000 万亿 tokens” 的可能来源¶

2.5 帧采样方法折射：各模型实际做法¶

2.3 五阶段数据处理流水线¶

各阶段关键阈值¶

2.4 数据标注：VILA-13B 微调细节¶

三、Dreamer V4 Minecraft 数据¶

3.1 数据来源与规模¶

3.2 为什么只用 2,500 小时（vs VPT 70,000）？¶

四、JEPA 家族数据¶

4.1 I-JEPA: ImageNet-1K¶

4.2 V-JEPA 2: VideoMix22M¶

五、Genie 1 Platformers 数据¶

关键数据决策¶

六、Wayve GAIA 数据采集¶

五、Genie 1 Platformers 数据¶

关键数据决策¶

六、Wayve GAIA 数据采集¶

6.1 GAIA-2: 2500 万 × 2 秒片段¶

6.2 GAIA-3 扩展¶

七、数据采集基础设施对比¶

八、Genie 1 数据流水线（详尽版）¶

8.1 从 5500万 到 680万：质量金字塔¶

8.2 关键参数决策的逻辑¶

8.3 Token 数推导验证¶

8.4 机器人数据补充¶

九、Genie 3 数据构成¶

十、Wayve GAIA-2 详细硬件与采集¶

九、Genie 3 数据构成¶

十、Wayve GAIA-2 详细硬件与采集¶

10.1 车辆平台¶

10.2 传感器组合¶

10.3 与主流自动驾驶公开数据集对比¶

十一、自动驾驶数据采集战¶

十一、自动驾驶数据采集战¶

11.1 Tesla Shadow Mode¶

11.2 Waymo 真实+仿真双轨¶

11.3 Wayve 数据演进¶

十二、数据标注成本分析¶

十二、数据标注成本分析¶

12.1 3D 边界框标注¶

12.2 GAIA-2 量级的标注成本估算¶

十三、关键洞见：数据效率对比¶

13.1 "少即是多"案例¶

13.2 "多即是强"案例¶

13.3 数据 × 监督信号矩阵¶

十四、关键未公开信息清单¶

Cosmos 未公开¶

Dreamer V4 未公开¶

V-JEPA 2 未公开¶

GAIA 未公开¶

Tesla 未公开¶

十五、数据来源引用索引¶

十四、关键未公开信息清单¶

Cosmos 未公开¶

Dreamer V4 未公开¶

V-JEPA 2 未公开¶

GAIA 未公开¶

Tesla 未公开¶

十五、数据来源引用索引¶

15.1 NVIDIA Cosmos 数据引用¶

15.2 Dreamer V4 数据引用¶

15.3 Genie 数据引用¶

15.4 JEPA 家族数据引用¶

15.5 Wayve GAIA 数据引用¶

15.6 DIAMOND 数据引用¶

15.7 自动驾驶数据引用¶

15.8 可信度分级说明¶

15.9 核心 arXiv 论文清单¶

8.1 从 5500万到 680万：质量金字塔¶