Ai2 推出 ToyBlocks 模擬框架：用於機器人學習與評估的受控環境

Ai2 宣布推出名為 FoundationWorlds 的研究框架，旨在建立受控的模擬環境，讓研究人員得以調整訓練資料與模型架構並追蹤機器人失敗原因。其首個開源專案 ToyBlocks 以桌上型機械手臂推動、翻轉與堆疊積木為核心。為了解決實體遙控示範耗時的問題，ToyBlocks 在 Nvidia 的 Isaac Lab 開源框架中，利用強化學習與任務暨動作規劃（TAMP）自動生成短程技能與複合任務示範資料集。此系統可在單一 GPU 上平行產生並執行數百條規劃路徑，達到高達 24 倍實時速度的資料生成效能。 ToyBlocks 採用高階推理與低階控制分離的架構，研究團隊藉此測試 Molmo 2、ManiFlow 以及透過模型上下文協定（MCP）串接的 Claude 等前沿模型。該受控環境便於系統化研究空間泛化能力，例如測試動作模型在訓練範圍外之空間或未見積木構型的推展成效，並提供執行速度與施力等多維度評估數據。

值得帶走的重點

• ToyBlocks 為基於 Isaac Lab 的開源模擬測試平台，不需人工遠端遙控即可自動生成操作技能與任務示範資料。
• 系統支援在單一 GPU 上平行執行數百個規劃路徑，資料生成速度最高可達即時速度的 24 倍。
• 此框架能精確測試低階動作模型在未見工作空間區域、不同堆疊高度及外觀變化下的空間泛化程度。
• 透過結合高階視覺語言模型與低階控制策略的分層結構，可獨立檢驗失敗是源於高階規劃或低階動作執行。