Datasets & Benchmarks · Plate Nº 35

Open X-Embodiment

15 min read · 5176 字 · ⭐⭐⭐ · 长篇结构化

#transformer #language #vision #RL #imitation #VLA

Guide Ch01 中讲解 Guide Ch06 中讲解 Guide Ch21 中讲解 Guide Ch22 中讲解

这是一份给「完全没接触过机器人学习」的读者写的精读笔记。专业词第一次出现都会解释，并用生活场景打比方。数字均来自 arXiv:2310.08864 原文。

一句话讲什么（TL;DR）

21 家机构把 60 个子数据集、22 种机器人形态统一成 RLDS 标准格式，凑出 100 万+ 真机轨迹；再用 RT-1-X / RT-2-X 混训证明：多机器人数据一起学，比每家只学自己的数据更好——小数据域平均成功率 高约 50%，大数据域 涌现技能 成功率 约 3 倍。

所以这一节是想说：OXE 不是又一个大模型 trick，而是给机器人界补「ImageNet 级数据池 + 正迁移证据」的基础设施。

这是个什么场景

想象全球有 22 家方言各异的餐厅：有的只做川菜、有的只做日料，每家自己记菜谱——字体、单位、步骤编号全不一样。以前你想当「万能厨师 AI」，只能进一家店学徒，换店就要从零学起。

Open X-Embodiment（OXE，开放跨形态数据集） 干了两件事：

统一菜单模板（数据格式）：不要求换厨房设备，但规定「每道菜怎么记字段」——图像、关节状态、动作、语言指令、元数据，全部转成 RLDS（Reinforcement Learning Datasets，Google 推的机器人数据标准，类似 Excel 固定列名）。
合订本 + 通吃教练（RT-X）：把 100 万+ 段「练手录像」打包公开，训 RT-1-X（35M 小模型）和 RT-2-X（55B 视觉-语言-动作大模型），在 6 台真机、3600 次评测 上验证：混多家数据训出来的策略，比「只看自家录像」训的更强。

这就是机器人版的「骑过自行车再骑电动车更快」——叫 正迁移（positive transfer）：A 形态的数据帮 B 形态学得更好，而不是互相干扰。

所以这一节是想说：OXE 解决的是「数据孤岛 + 格式方言」，并第一次在大规模上证明跨形态混训值得做。

Plate Nº IOpen X-Embodiment — 场景示意：这论文要解决的现实问题

之前的人怎么做的，为什么不够好

各实验室自采自训：UCB 的 Bridge、Google 的 RT-1、Stanford 的 ALOHA……数据格式互不兼容，模型只能绑死在一台机器人上。
形态差太大看似没法共享：单臂 6 自由度、双臂 14 自由度、夹爪 vs 灵巧手、相机俯角五花八门——「凑一起训会不会越训越乱？」长期没有定论。
单数据集规模小：除 Google Everyday Robots 等少数大户，多数实验室每个任务只有 几百条 演示，行为克隆（BC，Behavioral Cloning，即「看示范模仿动作」）泛化靠运气。
CV/NLP 早已「预训练 + 微调」：ImageNet、Common Crawl 让视觉和语言模型起飞；机器人界一直缺可下载、可混训的 异质大数据池。
RoboNet 等先驱规模不够：早期跨机器人聚合尝试过，但 形态数、机构数、标准化程度 都未到 OXE 量级。

所以这一节是想说：不是没人想过聚合，而是缺「足够大 + 足够标准 + 足够多样 + 实验证明有用」四件套——OXE 一次性补齐。

这篇论文的新想法

核心赌注：机器人形态不同没关系，只要把「观测 + 动作」粗对齐成统一接口，多形态数据混训会产生正迁移，且 模型越大，越吃得下这种异质性。

三个关键决策：

统一格式，不统一硬件：22 种机器人照旧，数据 ETL 进 RLDS，不要求换臂、换相机。
粗对齐，不强行精细对齐：动作统一成 7 维末端执行器（EEF） 向量 + 终止位；不对齐各数据集的坐标系、绝对/相对控制混用——让模型自己学「同一数字在不同机器上含义不同」。
用现成 VLA 架构当承接器：不重造模型，直接 RT-1 / RT-2 架构 + OXE mixture 共训，隔离「数据贡献」与「架构创新」。

所以这一节是想说：OXE 的 novelty 在 社区数据工程 + X-embodiment 实验设计，不在新网络结构。

它分几步做的（方法）

上图说明：Figure 1（ar5iv 原图）（论文原图）。

上图说明：Figure 2（ar5iv 原图）（论文原图）。

5.1 数据侧：Open X-Embodiment Repository

输入：全球 34 个实验室已有的 60 个机器人学习子数据集（抓取、推送、遥操作演示等）。

处理：

各机构按 RLDS schema 转换：每条轨迹含 图像、机器人状态、动作、语言指令、元数据；支持不同数量的 RGB / 深度 / 点云字段。
托管于 Google Cloud Storage，配 TFDS / 多框架 dataloader 与示例代码。
持续社区扩展——论文发布时 22 种 embodiment，摘要写 527 种技能、160,266 个任务；轨迹 1M+。

输出：可下载的 Open X-Embodiment Dataset + 分析页面（robotics-transformer-x.github.io）。

RLDS 人话：像规定「每行是一个时间步、列名固定」的 Excel——Google 为 RL 数据定的 tfrecord 序列化标准，OXE 选它因为 社区已接受、并行加载快。

多样性（原文 Fig. 0 分析）：

Franka 子集最多 → 场景视觉多样性最高（不同实验室 Franka 数据集多）。
xArm / Google Robot 贡献 轨迹条数最多。
用 PaLM 从语言标注抽 物体与行为；技能长尾含 擦拭、组装 等，物体覆盖家电、食品、餐具。

所以这一节是想说：OXE 的价值一半是 1M 轨迹，一半是 可复用的 RLDS 管道。

5.2 粗对齐的观测与动作空间（IV-A）

挑战：22 种机器人 观测模态、动作维度、控制频率 各不相同。

对齐策略（刻意「粗」）：

组件	统一方式	保留的差异
图像	每数据集选 1 个 canonical 相机，resize 到共同分辨率	相机位姿、内参、光照仍不同
语言	自然语言任务指令（各数据集原有标注）	粒度、语言风格各异
动作	7 维 EEF：$x,y,z$ + roll,pitch,yaw + 夹爪开度（或各量变化率）	不对齐各数据集坐标系；绝对/相对/速度控制按原数据集保留
历史	RT-1 用 15 帧图像历史；RT-2 实验中有 2 帧 history ablation	依模型而定

动作离散化（token 化）：

每维 256 个 bin 均匀划分；共 8 维（7 维运动 + 1 维 episode 终止）。
各数据集动作 先归一化再 discretize；推理时 按 embodiment 反归一化——同一 token 在不同机器人上解码成不同物理幅度。

人话：不是把 22 台机器校准成同一坐标系，而是说「大家都用 7 个数字描述手怎么动」，但 数字 128 在 A 机器可能是 5cm，在 B 机器可能是 10cm——靠数据和模型容量消化。

所以这一节是想说：粗对齐是 刻意设计——精细对齐成本高，且可能抹掉有用差异；OXE 赌 大模型 + 大数据 能学会「上下文解歧」。

5.3 模型侧：RT-1-X 与 RT-2-X（IV-B）

RT-1-X（35M）

输入：15 帧图像历史 + USE 语言 embedding。

处理：

每帧 → ImageNet 预训练 EfficientNet
视觉 + 语言经 FiLM 层交织 → 81 个 vision-language token
Decoder-only Transformer 自回归预测 8×256 离散动作 token

输出：下一时刻动作 token 序列 → 反离散化 → 7 维 EEF + 终止。

与 RT-1 关系：同架构；差别只在 训练数据从单域 → X-embodiment mixture。

RT-2-X（55B，PaLI-X 系）

输入：单帧或短历史图像 + 文本指令。

处理：

ViT + UL2 骨干，在 WebLI 等互联网规模 VLM 数据上预训练
动作 token 当作另一种「语言」——例如 "1 128 91 241 5 101 127" 这样的 text token
Co-fine-tuning（共同微调）：训练 batch 约 1:1 混 VLM 数据与机器人 mixture，防遗忘 web 知识

输出：自回归 text token → 解析为动作。

架构 ASCII：

[图像 + 语言指令]
        │
        ├─ RT-1-X: EfficientNet×15 + FiLM + Transformer(35M) → 离散动作 token
        │
        └─ RT-2-X: ViT + UL2 VLM(55B) co-fine-tune → 动作当 text token 输出

所以这一节是想说：OXE 实验 不重造架构，用 RT-1/RT-2 当探针，测「数据 mixture 本身」能带来多少增益。

5.4 训练 mixture 与推理（IV-C）

Robotics mixture（实验时）：来自 9 种 manipulator 的数据——RT-1、QT-Opt、Bridge、TARP、Jaco Play、Cable Routing、RoboTurk、NYU VINN、Austin VIOLA、Berkeley UR5、TOTO、Language Table 等子集。

注意：mixture 的 9 embodiment < OXE 全集 22——论文写明实验时数据集仍在扩展，当时 只有这 9 类已就绪；未来计划用 扩展版 OXE 继续训。

训练目标：标准 分类交叉熵（RT-1 对 bin；RT-2 对 language token 全集）。

RT-1-X：仅 robotics mixture。

RT-2-X：robotics mixture + 原 RT-2 VLM 数据 约 1:1 co-fine-tune。

推理：

频率 3–10 Hz（依各机器人原需求）
RT-1 本地跑；RT-2 云端查询（网络延迟计入系统）

所以这一节是想说：训练配方刻意贴近 RT-1/RT-2 原文，让性能差异 主要归因于 X-embodiment 数据。

5.5 评测协议（3600 trials）

问题 1 — In-distribution：混训是否在 各机构原有任务 上超过「只训本域」？

小数据域（5 个）：Kitchen Manipulation (Jaco Play)、Cable Routing、NYU Door Opening、Berkeley Autolab UR5、Robot Play——各用 原论文机器人与评测。
大数据域（2 个）：Bridge（WidowX）、RT-1 六技能（Google Robot）。

Baseline：

Original Method：各数据集作者自己的 SOTA 模型（只训该数据集）。
RT-1：同架构但 只训单 embodiment 数据。

问题 2 — OOD 泛化：RT-2-X 在 新物体/新背景/新环境 上是否仍强？（沿用 RT-2 评测）

问题 3 — Emergent Skills（涌现技能）：在 Google Robot 上测 Bridge 数据集（WidowX）里有的技能、Google 数据里没有的——例如 Fig. 3 的 摆放物体到指定位置 类任务，看 跨形态迁移 是否发生。

问题 4 — 设计 ablation：模型规模（5B vs 55B）、图像 history、是否 co-train web、是否含 Bridge 子集、checkpoint 是否 web 预训练。

所以这一节是想说：评测分 「同任务涨分」 与 「没见过技能也会了」 两档，后者才是 X-embodiment 的核心卖点。

5.6 数据流一图（ASCII）

60 子数据集 (34  labs)
        │ ETL → RLDS
        ▼
Open X-Embodiment (22 embodiments, 1M+ traj)
        │ 粗对齐: 1 cam + 7D EEF + lang
        ▼
   ┌────┴────┐
   ▼         ▼
RT-1-X     RT-2-X (+ VLM co-fine-tune)
(35M)      (55B)
   │         │
   └────┬────┘
        ▼
  6 robots × 3600 eval trials
  (small-data 5 domains + large-data 2 + emergent)

所以这一节是想说：整条 pipeline 是 格式层 → 对齐层 → 现成 VLA → 分域评测，社区可替换中间任意一环做 ablation。

5.7 RT-1 历史帧与 token 预测细节（复现向）

输入→处理→输出（单 control step）：

输入：最近 15 帧 RGB（每帧经 EfficientNet）+ 当前语言指令的 USE 768 维向量。
FiLM 调制：语言 embedding 作为 scale/shift 注入视觉特征——相当于「同一画面，指令不同则激活不同通道」。
Token 序列：15 帧 × 每帧若干 spatial token + 语言 token → 共 81 个 multimodal token 送入 decoder。
输出：Transformer 自回归预测 8 个动作 token（每 token 256 类分类）；训练用 teacher forcing，损失为 8 维独立交叉熵之和。
执行：取 argmax token → ** embodiment-specific 反归一化** → 发送给机器人 low-level controller（3–10 Hz）。

与 RT-2 的关键差别：RT-1 不用 VLM 词表，动作 bin 专属 256×8 小词表；RT-2 把 bin 映射进 大语言模型词表，因此 RT-2-X 必须 co-fine-tune web 数据 防 catastrophic forgetting。

为何 15 帧 history？ 继承 RT-1 原论文——操纵任务中 短程运动模糊（手是否闭合、物体是否滑动）需 temporal context；Table II 显示 RT-2-X 5B + 2 帧 history 远好于无 history，与 RT-1 设计哲学一致。

采样与 batch 构成（概念层）：每个 training step 从 mixture 中 按数据集权重采样 trajectory——小数据集通常 过采样 以免被 Bridge / RT-1 等大户淹没；具体比例随实验配置，原文强调 同一 mixture 用于所有对比 以保证 RT-1 vs RT-1-X 公平性。社区复现时应在日志里 固定 seed 与采样权重，否则 emergent 数字可能对不齐表 II。

所以这一节是想说：OXE 实验里 RT-1-X 是 离散 BC + 短历史 路线，RT-2-X 是 VLA token 路线——两条线共享 mixture，分工覆盖 小模型可部署 与 大模型涌现。

Plate Nº IVOpen X-Embodiment — 方法示意：核心 pipeline

关键数字（What works）

数据集规模

项目	数值
参与机构	21
子数据集	60
Robot embodiments	22
轨迹总数	1M+
技能数（PaLM 抽取）	527
任务数	160,266
实验 mixture（当时）	9 manipulators
真机评测总量	3600 trials，6 robots

RT-1-X：小数据域（Fig. 2）

对比	结果
RT-1-X vs Original Method	5 个域中 4 个 RT-1-X 更高
平均提升	摘要：~50% 相对成功率提升（相对各机构原 SOTA）
架构对照	RT-1 与 RT-1-X 同网络 → 增益归因 co-training mixture

RT-1-X / RT-2-X：大数据域（Table I）

评测	Original / LCBC	RT-1	RT-1-X	RT-2-X (55B)
Bridge @ IRIS (WidowX)	13%	40%	27%	50%
Bridge @ RAIL (WidowX)	13%	30%	27%	30%
RT-1 paper 6 skills (Google Robot)	—	92%	73%	91%

解读：RT-1-X 在数据丰富域 underfit（35M 容量不够）；55B RT-2-X 才能在大域上 匹配或超过 单域 RT-1。

Emergent Skills & 泛化（Table II，Google Robot）

配置	Emergent Skills	OOD Generalization
RT-2（仅 Google 数据）	27.3%	62%
RT-2-X（全 robotics mixture）	75.8%	61%
RT-2-X 去掉 Bridge	42.8%	54%
RT-2-X 5B + history 2	44.4%	52%
RT-2-X 5B 无 history	14.5%	30%
RT-2-X 5B 无 web 预训练	0%	1%

倍数关系：Emergent 列 RT-2-X 75.8% vs RT-2 27.3% ≈ 2.8×（摘要写 ~3×）。

所以这一节是想说：小域靠 mixture 就赢；大域要 55B + web 预训练；涌现技能 强依赖 Bridge→Google 跨形态迁移。

实验结果说明了什么

正迁移真实存在：不是理论猜想——在 4/5 小数据实验室真机 上，混训 RT-1-X 系统性超过各机构自家模型。
容量门槛：同样 mixture，35M RT-1-X 在大数据域会 underfit；说明 X-embodiment 不是「小模型随便混」，需要 足够参数量 才吃得下异质性。
Web 预训练不可替代：5B RT-2-X 从零训 robotics 仅 0% emergent——VLM 骨干的 internet 知识是跨域泛化的底座。
Bridge 子集关键：去掉 WidowX 的 Bridge 数据，emergent 从 75.8% 掉到 42.8%——跨形态技能迁移有明确数据来源，不是魔法。
History 有用：5B 模型加 2 帧历史 vs 无 history，emergent 44.4% vs 14.5%——短 temporal context 帮助解析 ambiguous 动作。
OOD 视觉泛化：RT-2 与 RT-2-X 在 新物体/背景 上 ~61–62% 持平——VLM 已强，mixture 主要补 技能覆盖 而非视觉 OOD。
Infra > trick：没有发明新 alignment 模块，粗对齐 + 大模型 就观察到 transfer——降低社区入场门槛。

所以这一节是想说：OXE 实验回答「混训有没有用」为有，并给出 何时有用（小域/涌现）与何时不够（小模型大数据域） 的分界。

你应该懂的几个新词

Embodiment（具身/形态）：机器人的物理本体——自由度、夹爪类型、相机配置。「X-embodiment」= 多种本体。
正迁移（Positive Transfer）：A 域数据提升 B 域性能；反义 负迁移 是混训后变差。
RLDS：TensorFlow 生态的 RL/机器人 序列数据标准，OXE 全部用它存储。
VLA（Vision-Language-Action）：看图 + 听指令 + 出动作的统一模型；RT-2 是代表。
Co-fine-tuning：VLM 数据与机器人数据 同一训练阶段混合，非先训 A 再训 B。
Emergent Skills（涌现技能）：评估机器人 从未在本体数据中出现、但在其他 embodiment 数据里有的技能。
Behavior Cloning（BC）：模仿学习——用示范 $(o,a)$ 对监督训练策略；OXE 上 RT-X 本质是 大规模 BC。
EEF（End-Effector，末端执行器）：机械臂「手」的位置与姿态；OXE 粗对齐到 7 维 EEF 动作。

所以这一节是想说：读 OXE 后应能解释「为什么 OpenVLA 可以站在 OXE 上训——因为格式与 mixture 哲学已铺好路」。

它有什么搞不定的

粗对齐的代价：坐标系、控制模式未统一——同一动作向量在不同机器上 语义不同，小模型易 underfit，依赖 反归一化 + 大数据 硬学。
实验 mixture 仅 9/22 embodiment：全文 22 形态收录，但 RT-X 实验 未用全集——扩展版效果需后续工作验证。
未测全新机器人 zero-shot：只在 已有数据 embodiment 上评测，新硬件免微调 是否可行 未回答。
无正迁移预测准则：何时混训有益、何时 负迁移，论文 未给决策表。
传感模态局限：聚焦 操纵臂 + RGB；四足、触觉为主、射频等 差异极大模态 讨论有限。
RT-2 云端依赖：55B 模型 网络推理，延迟与成本阻碍边缘部署。
数据质量参差：聚合 60 源 必然含噪声、错误标注、分布偏移——清洗策略 原文未细述。

所以这一节是想说：OXE 是起点不是终点——「通用机器人策略」仍缺 新 embodiment 泛化理论 与 质量可控的 scaling law。

它和别的几篇是什么关系

承接 RT-1 / RT-2：OXE 不换架构，换 训练数据池；读 OXE 前应先懂 RT-1 token 化动作与 RT-2 VLA co-fine-tune。
数据先驱 BridgeData V2 / RoboNet：Bridge 是 OXE 最大来源之一；RoboNet 是早期 multi-robot 尝试，规模与标准化不及 OXE。
下游 OpenVLA / Octo / π₀：OpenVLA 直接 OXE + Llama 训开源 VLA；Octo 用 OXE 训 通用 diffusion policy；π₀ mixture 含 9.1% OXE 但仍依赖私有 dexterous 数据。
对照 DROID（2024）：DROID 走 统一硬件、极端场景多样性；OXE 走 异质聚合——代表机器人数据的 两条 scaling 路线。
理念类比 ImageNet：基础设施型贡献，价值在 社区复用 而非单点 SOTA trick。
仿真基准 LIBERO / SimplerEnv：OXE 训 真机策略；LIBERO 等考 算法泛化——数据 vs 考试分工不同。

所以这一节是想说：OXE 是 2023–2025 VLA 浪潮的 数据母港，后续模型论文多半应挂在这张关系图上读。

和本导读的关系

对应 Ch21: 数据集全景 §21.3 Open X-Embodiment 专节（跨形态聚合的 ImageNet）。建议路径：

Ch21 §21.1–21.2 理解 机器人数据三重鸿沟 与三时代划分；
先读 bridgedata-v2.md（OXE 最大子集之一）；
读本笔记 §5.2–5.5（RLDS + 粗对齐 + RT-X）；
再读 openvla.md / rt2.md 看 数据如何兑现为模型；
对照 droid.md 理解 异质 vs 同质 两条数据路线。

所以这一节是想说：Ch21 讲「数据从哪来」，OXE 讲「全球数据怎么凑成一锅粥且证明好喝」。

思考题

Q1：为什么 OXE 选择「粗对齐」而不是把所有机器人校准到同一世界坐标系？

提示

成本、可扩展性、以及「保留原控制模式」；想想 22 实验室是否愿意改底层控制器。

Q2：RT-1-X 与 RT-1 架构相同，为何小数据域涨、大数据域跌？

提示

35M 参数量 vs mixture 多样性；underfitting；Table I 与 Fig. 2 对比。

Q3：去掉 Bridge 后 emergent 技能大幅下降，说明什么？

提示

WidowX→Google Robot 的技能迁移通道；不是任意子集都有同等 transfer。

Q4：5B RT-2-X 无 web 预训练 emergent 为 0%——机器人数据 alone 够吗？

提示

Table II row (6)；VLM 视觉-语义与 language grounding 从哪来。

Q5：OXE 的 RLDS 标准对 OpenVLA 训练 pipeline 意味着什么？

提示

可复用 dataloader、字段一致、community 可 append 新 dataset 而不改模型代码。

Q6：Emergent skills 评测与 in-distribution 成功率，哪个更能支撑「通用机器人策略」叙事？

提示

前者测 跨 embodiment 新技能；后者测 原任务 SOTA——论文两者各回答一半。

Q7：若你的实验室只有 500 条 Franka 演示，OXE 论文对你最直接的建议是什么？

提示

混训 / fine-tune RT-1-X 或开源 descendant；小域 Fig. 2 的 positive transfer 证据。

Q8：为什么 RT-2-X 在 OOD 视觉泛化上与 RT-2 持平，却能在 emergent skills 上 3×？

提示

OOD 列测 新物体/背景——VLM 骨干已覆盖；Emergent 列测 新技能组合——需要 其他 embodiment 的操纵示范，mixture 才起作用。

一些好奇心问答（FAQ）

Q：22 和 9 到底哪个数字对？

A：22 是 OXE 仓库收录的 embodiment 总数；9 是论文 RT-X 实验 当时已处理进 mixture 的 manipulator 数——数据集在论文后持续长大。

Q：RT-2-X 动作为什么是 text token？

A：RT-2 把离散动作 bin 映射成 普通词表里的 token 串，这样 任意预训练 VLM 都能用「预测下一个 token」同一套训练代码微调机器人，无需单独动作头。

Q：OXE 和 ImageNet 真的一样吗？

A：类比在 「社区预训练底座」 角色，不是规模——ImageNet 千万级图，OXE 百万级轨迹，仍差数量级，但是机器人界 当时最大跨形态聚合。

Q：我能否只下载 Bridge 子集而不下全 OXE？

A：可以——60 子数据集 可独立下载；RLDS 格式统一，子集混合逻辑与全量相同。

所以这一节是想说：读 OXE 时别被 embodiment 计数搞晕——仓库规模 与 论文实验 mixture 是两个层次。

如果你想再深入

官网：https://robotics-transformer-x.github.io — 60 数据集分解、下载链接、checkpoint。
先修：notes/rt1.md、notes/rt2.md — 不懂 RT-1/RT-2 架构，Method 会飘。
下游：notes/openvla.md — 看 OXE 如何被 开源社区 消费。
对照读：notes/droid.md — 同质硬件极端多样性 vs OXE 异质聚合。
动手：用 RLDS dataloader 加载 Bridge 子集，打印单条 trajectory 字段——比三遍 PDF 更直观。

所以这一节是想说：OXE 最适合 「懂架构 + 跑 dataloader + 看 emergent 表」 三角组合深读。

原文信息

@inproceedings{padalkar2023open,
  title={Open X-Embodiment: Robotic Learning Datasets and RT-X Models},
  author={Padalkar, Abhishek and others},
  booktitle={IEEE International Conference on Robotics and Automation (ICRA)},
  year={2024},
  note={arXiv:2310.08864}
}

arXiv：https://arxiv.org/abs/2310.08864
项目页：https://robotics-transformer-x.github.io
联系：open-x-embodiment@googlegroups.com

所以这一节是想说：引用 OXE 时同时 cite 数据集仓库 与 RT-X checkpoint，方便他人复现实验 mixture。

架构一图（ASCII）

        ┌─────────────────────────────────────┐
        │   Open X-Embodiment (RLDS, 1M+)      │
        │   22 embodiments · 60 datasets       │
        └─────────────────┬───────────────────┘
                          │ 粗对齐 7D EEF + 1 cam
          ┌───────────────┴───────────────┐
          ▼                               ▼
    ┌───────────┐                   ┌───────────────┐
    │  RT-1-X   │                   │   RT-2-X      │
    │   35M     │                   │    55B        │
    │ EfficientNet+Transformer      │  PaLI-X VLM   │
    └─────┬─────┘                   └───────┬───────┘
          │                                 │
          ▼                                 ▼
   小数据域 +50% avg                   涌现技能 ~3×
   (4/5 domains win)                  (75.8 vs 27.3%)

*所以这一节是想说：一张图记住 数据池 + 两档模型 + 两类增益（小域 SOTA / 跨形态涌现）。*

◼

引用本笔记 / Cite this note

BibTeX

@online{eai_open_x_embodiment_2026,
  title       = {(readable note) Open X-Embodiment},
  author      = {Xun, Jason},
  year        = {2026},
  note        = {Note on a 2023 paper},
  howpublished = {\url{https://estelledc.github.io/embodied-ai-reading-station/papers/open-x-embodiment/}},
  organization = {Embodied AI: Zero to One}
}

All 202 papers (full index)