高质量数据集典型案例 | 具身智能领域百万真机高质量数据集

　　推荐单位：上海市数据局
　　申报单位：智元创新（上海）科技有限公司
　　一、背景
　　具身智能领域长期受限于高质量、多场景数据的缺乏，严重制约模型训练及产业应用。为破解这一瓶颈，我司在上海启动AgiBot World百万真机数据集项目，搭建标准化工业级数据采集工厂，覆盖家居、工业、商超、办公等多场景，遵循标准化采集流程，全程质量管控，累计采集超百万条原子动作轨迹，数据规模达到850TB，支撑具身智能大模型训练与产业落地。
　　二、方案和成效
　　一是构建全域真实场景与全流程质控体系，筑牢数据集质量根基。项目依托自建的2000平真实采集场景，覆盖217个复杂操作任务，3000+操作物品。相比Google的Open X-Embodiment 数据集，AgiBot World 长程数据规模高出10倍，场景范围覆盖面扩大100倍，数据质量从实验室级上升到工业级标准。同时构建“标准化采集流程+自动化质检+人工在环审核”三维质控机制，数据准确性达到99%以上。
　　二是制定成熟的数据生产标准并搭建配套技术平台，全面支撑大规模数据量产。项目构建了成熟的多模态数据采集与结构标准体系，覆盖任务设计、数据采集、审核标注与格式规范四大技术环节，形成高度工程化的技术链路，使数据生产效率提升约40%。项目仅用2个月时间即完成百万条原子轨迹，数据格式标准化率达100%。
　　三是构建生态培育机制，推动数据共享与标准协同。数据集坚持开源共享原则，已上线魔塔社区、OpenDataLab、Huggingface、GitHub等国内外平台，成功吸引全球研究者的广泛参与，累计下载量达29K。2025年3月，英伟达在GTC大会上推出的具身基座模型GROOT N1与机器人推理模型Cosmos Reason，其80%的训练数据均源自我司开源的AgiBot World数据集。
　　三、创新点
　　一是数据任务体系创新。首创“原子动作结构化拆分+场景多维变体+三级难度覆盖”的方法体系，实现复杂操作流程的标准化建模与多场景适应性增强，确保数据任务具备高泛化能力与工业级质量标准。
　　二是数据采集生态创新。项目采用“开源数据集+联合实验室+区域采集中心”三位一体模式，赋能不同行业与地域主体灵活参与真机数采，显著提升数据采集体系建设的可复制性与推广效能，加速通用智能系统的落地进程。
　　三是数据应用体系创新。项目构建“开源驱动－模型赋能－工具支撑－生态激活”四维一体的全链条应用体系，智元基于数据集发布具身基座大模型，可支持模型微调，赋能千行百业；发布全套工具链，实现采集、训练和评测完美闭环；同时举办AgiBot World Challenge开发者大赛，激发创新的无限潜能。