AREX Feed Article
Nature Will 发布 Natura-1：公司称以超 100 万小时第一人称人类数据预训练 500 亿参数 MoE 模型
10 月 13 日，物理 AI 实验室 Nature Will 发布了 Natura-1。根据该公司通过 PRNewswire 发布的稿件，Natura-1 是一款面向物理世界的「通用基础模型」：500 亿参数的混合专家（MoE）模型，在语言、图像、视频和动作数据上联合训练，预训练使用了超过 100 万小时的第一人称（egocentric）人类数据，用语言和视觉输入直接驱动 20 个自由度的灵巧手，从观测到动作的控制回路为 100 毫秒。（）
公司的给出了比发布稿更细的材料：数据构成、训练与推理栈的自述指标、六段持续数分钟的长时程操作录像，以及一段近 30 分钟、一镜到底的日常交互视频。这些参数、分数与演示都出自 Nature Will 自述。
公告核心：500 亿参数 MoE、20 自由度灵巧手、100 毫秒回路
发布稿称 Natura-1 是「首个面向物理世界的通用基础模型」，也是该实验室的第一款物理基础模型，主打灵巧手控制与零样本指令跟随；稿中称它能在任务条件变化时继续操作，也能在长时间交互中维持动作，把人类意图与物理动作连接起来。发布稿把 Nature Will 描述为一家以构建「物理 AGI」为目标的实验室，称其研发栈覆盖数据采集与治理、预训练、基础设施、仿真与真实世界评测、后训练与强化学习。
创始人兼 CEO 丁宁在发布稿中说：「我们相信，能处理所有任务的通用模型必须存在，而这些模型必须用上灵巧手。」他称 Natura-1 是公司迈向「从人类经验扩展的模型」的第一步。
博客披露了架构细节：Natura-1 是一个 500 亿参数的 MoE transformer，把一整段任务轨迹当作由语言、图像、视频和动作 token 组成的单条序列做自回归建模，指令理解、世界建模与动作生成由同一个序列模型承担。它接收语言和视觉输入，直接输出 20 自由度灵巧手的动作；预训练之后，公司只用有限的机器人数据做后训练，让模型适配真实机械手。
数据侧：61,702,471 个片段和每周 35 万小时的处理量
博客给出的数据构成是：超 100 万小时的第一人称人类数据，包含 61,702,471 个片段（episode）、317,842 个任务和 14,286 个场景；素材覆盖单目、双目与多机位录制，并包含腕部视角。数据以可控采集为主，辅以大规模互联网第一人称视频，用来补上难以提前枚举的场景和物体。素材进入训练前统一做视频级与片段级去重，并检查完整性、可读性与时序一致性；随后由自研动作标注管线从单目、双目视频中恢复手部与身体动作，公司称其动作标签在内部动捕基准上的 MPJPE（每关节位置平均误差）比现有开源方案低 41%。
数据层由公司自建的平台支撑：统一湖仓管理数十 PB 数据，每周处理 35 万小时第一人称数据，并通过按任务配额让数据分布接近真实人类活动。公司称，筛选后的语料被整理成带语言条件的动作轨迹。
自建训练与推理栈：98% GPU 利用率、1,200 TFLOP/s 注意力内核
按照博客的说法，训练与推理框架都由 Nature Will 自建。训练侧，公司称生产配置下 MFU（模型浮点运算利用率）超过 50%，GPU 利用率达到 98%；自研注意力内核在前向与后向基准上平均约 1,200 TFLOP/s，约为调优后的 FlexAttention 基线的 6 倍以上；在评测配置下，端到端训练提速超过 1.7 倍、推理提速 2 倍。推理侧的关键组件用 Rust 重写，控制平面负责连接、校验与编排，GPU 工作进程执行推理，配合常驻显存状态与执行图捕获，把端到端推理延迟控制在 100 毫秒以内。
模型设计上，博客把视频和动作描述为「同一个物理状态的两种投影」：预测未来视频也被当作学习行动的一部分，用流匹配（flow matching）与联合去噪同时训练视频和动作。缩放曲线方面，训练从约 44,000 小时扩展到 100 万小时：在留出的人类数据上，动作 MSE（均方误差）下降 47.7%、MAE（平均绝对误差）下降 37.3%；在机器人验证集上，同一组权重不经额外训练，动作 MSE 下降 67.7%、MAE 下降 49.3%。两项评测都以过去的观测为条件（teacher forcing）。
演示与自评：六条长时程流程，对照 π0.5 与 GPT-6-Astra
博客公开了六条连续执行的操作流程：包馄饨（1 分 12 秒）、打包快递箱（2 分 21 秒）、沏茶（1 分 42 秒）、写毛笔字（50 秒）、贴手机膜（3 分 01 秒）、做酸奶碗（2 分 20 秒）。公司注明，这六条在 Natura-1 之上做了额外的任务调优，其余结果共享同一套权重。另有约 30 分钟的一镜到底零样本录像，指令由研究人员现场用自然语言给出，其中一个环节里研究人员用长棍反复移动柠檬和垃圾桶，考察模型能否跟着位置变化调整动作。
自评基准覆盖 12 个灵巧操作能力维度，公司称博客展示的四项基准任务及其场景、物体与动作组合都不在 Natura-1 的后训练数据中。公司用两个基线对照：视觉-语言-动作（VLA）基础模型 π0.5，以及被直接当作「基于代码的策略」使用的多模态大模型 GPT-6-Astra。公司称，在自有的双臂灵巧手平台（ROKAE AR5 配 Wuji 灵巧手）上两个基线都未得到计分结果：π0.5 即使用公司自己的灵巧手数据微调也未能完成，GPT-6-Astra 未能在每项任务 60 分钟的限时内完成；换到 ARX AC One 双臂夹爪平台后，π0.5 与 GPT-6-Astra 分别得到 13.5 分和 16.7 分，而 Natura-1 用 20 自由度灵巧手得到 53.4 分（Base）与 59.1 分（Agentic）。博客同时说明，目前没有公认的灵巧手基础模型，严格同口径的基线无法建立，夹爪与灵巧手之间的对照只能作参考。
博客还单列了一节「预设能力之外的涌现行为」：用长杆把够不到的篮子拉近、把扑克牌滑到盒子边缘制造缝隙再从下方抓起、叠杯失败后把抓反的杯子在空中旋转近 180 度、按下机器人训练数据里从未出现过的笔记本电脑空格键。公司把这些记录称为「更通用物理智能的早期迹象」，在博客中以观察片段的形式单独列出。
发布材料未附论文或权重，讨论先在 X 上出现
发布稿与官方博客提供的材料包括演示录像、技术说明和自评数字，其中没有论文、模型权重或开放试用入口的链接；博客末尾给出的引用格式，指向的也是它自己这个网页。
截至 10 月 14 日抓取时，获得约 82.6 万次浏览、535 次点赞和 96 次转发；该账号 2026 年 5 月注册，抓取时粉丝约 532 人。在引用帖中，账号 （简介称在 Berkeley AI 研究可扩展世界模型）把这次发布称为对「扩大人类数据、再迁移到机器人」这一假设的「一次具体检验」；（简介自称 AI 视觉创作者）则认为，Natura-1 的亮点是零样本跟随复杂自然语言指令并用灵巧手执行。
Nature Will 在博客结尾把下一步的变量归结为三件事：更稳定、能力更强的执行器与传感系统，规模与覆盖更大的预训练数据，以及迁移到机器人时所需适配更少的模型，并称这是一项「长期的研究与工程投入」。丁宁在 上的收尾是：「通用模型已经存在，而且只会更强。」目前支撑这句话的，仍是公司自己发布的演示、博客与自评分数。