Dream-1：Dream Labs 推出零樣本機器人控制 API，實現即插即用

給 Dream-1 一臺新的雙手機械人，配備平行抓取器，連線到我們的 API，即可即插即用執行任務。無需微調、無需該機械人示範，也不需要機器學習專業知識。

這是邁向通用機器人智慧的重要一步。

今天，Dream Labs 正式結束隱身階段，獲得 9,000 萬美元種子輪資金，並透過公開 API 讓全球使用者使用 Dream-1。

01

打破雞生蛋問題

數十年來，機器人一直陷於雞生蛋問題：機器人必須先有用才會被人購買，但要讓它有用則需要該機器人的資料，而這些資料只有足夠多人開始使用後才會產生。Dream-1 是我們打破此迴圈的第一步。

自動駕駛找到了繞過這個冷啟動問題的方法。汽車從第一天起就具備實用性，零自動化，但仍被數百萬人每天駕駛，產生訓練更強大模型所需的資料。大多數其他機器人從未享有此優勢。

兩件事正在改變這一點。

首先，機器人硬體已經變得足夠便宜，能夠接觸到更多人。能夠的雙手臂設定現在只需 $2k¹。

其次，機器人可能不再需要大量自己的資料集才能發揮作用。若模型能零樣本推廣到未知環境、任務甚至機器人，一臺新機器人即可擁有實用功能。

將這些結合起來，飛輪便可啟動。更便宜的硬體將更多機器人投入市場。可泛化的模型使機器人更早實用。實用機器人產生更多資料，而這些資料又讓模型為下一臺機器人變得更好。

02

低價、實惠機器人的寒武紀爆發

機器人硬體的價格下降速度比任何人預期的還快。請參見上方的機器人，七臺半人形機器人價格不到 $15k，這個價格等級在一年前幾乎不存在。價格曲線的最遠端，Hugging Face 的 $399 Microduck 在 8 月下旬上市後四天內就售出了超過 10,000 臺²。我們相信機器人領域的起飛將從像這樣的機器人開始。

$2,000

一套雙手臂裝置

截至今日，功能齊全的雙臂裝置

7

半人形機器人低於 $15k

車輪、雙臂、平行抓取器；這一價位層級一年前幾乎不存在。

$399

Hugging Face Microduck

於 8 月下旬上市。

10,000+

Microducks 4 天內

上市後四天內售出²。

那是因為他們的買家是消費者、prosumer 以及小團隊，而非企業。企業買家是做表格決策。如果機器人無法在成本、速度或可靠性上勝過人類，則不會被購買；這是一個很高的門檻。消費者則不同。超過 10,000 人在 4 天內以 399 美元購買了一臺主要功能是可愛迷人的機器人：它會走路、蹣跚、滑輪滑。介於此與一臺功能齊全的家庭機器人之間是一個甜點點，一臺足夠負擔得起、易於說「是」且足夠實用，能在家中佔有一席之地的機器人。一旦機器人達到那個點，我們認為採用率會開始複合增長，家中每臺機器人都成為新的訓練資料來源。想像兩隻 Microducks 用它們的喙作為抓取器折疊你的衣物。

03

啟動 Dream Labs 的結果

2026 年 2 月，我們的團隊發布了 DreamZero，該論文介紹了 World Action Models³。從那時起，社群已將 WAMs 作為機器人學習中最有前景的範式之一。當時對我們來說最驚人的結果是，在只用 30 分鐘的 YAM 機器人資料進行 DreamZero 的後續訓練後，我們看到它能零樣本泛化到從未見過的任務。這種泛化以前需要數百甚至數千小時的具體化身資料。如果來自某臺機器人的 30 分鐘資料足以將通用任務知識轉移到該機器人，打破雞蛋和蛋黃的迴圈不再看似不可能。結合上述硬體浪潮，時機正好。那時我們決定啟動 Dream Labs。

經過六個月的開發，我們很高興分享一項僅透過 World Action Models 可能實現的新研究突破：零樣本具身泛化的早期跡象。

04

介紹 Dream-1

Dream-1 是我們第一個可透過公共 API 使用於全球的 World Action Model。開箱即用，它可以控制未見過的機器人完成未見過的任務於未見過的環境。

04.1

幾分鐘即可開始

我們希望可擴充套件的機器人技術能夠讓任何擁有機器人的人都能使用，而不僅限於大型實驗室。因此，我們設計了Dream-1，使其盡可能接近即插即用。連線你的機器人，將其指向 API，然後執行。開始不需要機器學習背景。每週我們舉辦內部駭客松，盡量縮短部署時間。入門教學

import dream

client = dream.DreamClient(
    api_key=<API_KEY>,
)
client.policy({"checkpoint": "dreamlabs/dream-1"})
client.set_observation(observation)
action = client.get_action()
client.close()

簡化的客戶端程式碼

04.2

對從未見過的機器人進行零樣本推理

Dream-1 可以零樣本泛化到許多雙手、平行抓手機器人。我們已測試過以下機器人。它甚至能控制原始 PR2，一款 18 年前發布的通用雙手研究機器人。請注意，這些部署未使用任何具體實體的資料。

這是首批報告的零樣本泛化到完全未見過的機器人體型之一。⁴ 如果你擁有雙手平行抓手機器人，試試提示 Dream‑1 並告訴我們效果如何。零樣本表現部分取決於你機器人的逆向運動學（IK）求解器，因此我們撰寫了指南協助你充分利用它。IK 指南。表現也因機器人而異。以下，我們分別說明模擬與實機的零樣本表現。

以下說明零次投射體現泛化如何運作以及其不足之處。接著展示單次投射體現學習如何彌補該缺口。

04.3

零次投射體現泛化如何運作

兩種控制機器人的方式：關節或末端執行器。機器人策略通常輸出關節角度，這使其與特定機器人的身體緊密相關。Dream-1 能對其原生支援的體現做同樣的輸出，但它也能預測末端執行器（EEF）姿勢：每個抓手應該在哪裡以及是否應該開啟或關閉。每臺擁有兩隻手臂和平行抓手的機器人共享該 EEF 動作空間，其自身的逆運動學求解器將姿勢轉換為關節指令。這種共享介面為 Dream-1 提供了一種命令未見機器人的通用方式，但僅靠此還不足以實現零次投射轉移。

為什麼這樣可行？Dream-1 透過三臺相機觀察世界：一臺頭部相機和每隻手臂上的一臺腕部相機。先前針對 Universal Manipulation Interface (UMI) 的研究顯示，當每隻手臂使用相同抓手且策略僅依賴腕部相機時，政策可以零次投射跨機器人手臂轉移⁵。從腕部的角度來看，機器人看起來相同。但這條捷徑有硬性限制。它僅在抓手硬體完全相同時有效，且失去了頭部相機對整個場景的觀察。

World Action Models 去除了那個限制。WAM 學習同時預測影片與動作，因而控制機器人與想像機器人將要做什麼是同一個問題。每臺機器人都以相同方式呈現：畫素。頭部相機看到的是 UMI 抓手、兩指抓手或一個臂，Dream-1 從未見過任何不只是場景中移動的形狀，這使得影片成為所有機器人型別共有的唯一表示方式。如果 Dream-1 能預測機器人在完成任務時的樣子，它就能產生將其帶到那裡的動作。這就是它能控制看起來完全不像 UMI 的抓手，甚至是全新身體的機器人的原因，這些身體透過頭部相機呈現。

04.4

Dream-1 能做什麼與不能做什麼

Robocurve⁶，一家以公共利益為宗旨的公司，衡量並向公眾報告前沿機器人技術能力，獨立評估了 Dream-1。上述報告顯示 Dream-1 更好、更快、更便宜：機器人控制的新帕累托前沿。它的分數高於下一佳模型 Opus 5.5 和 Gemini 4 Argon，任務嘗試成本比 Gemini 4 Argon 低 16 倍，速度比最快的 LLM GPT-6 Astra 快 1.7 倍。雖然目前的 LLM 在規劃上表現優秀，但機器人仍需快速、通用的 System 1 來執行，而 Dream-1 正是為此而設計。

執行 Dream-1 的成本是多少？ 我們希望您在嘗試之前就能清楚預期。模型的執行成本僅為每小時 $3（Dream-1），或每小時 $2（Dream-1-flash）。每次呼叫模型會返回 1.6 秒的動作，因此一小時相當於 2,250 次呼叫：每個動作約 $0.0013（Dream-1），Dream-1-flash 約 $0.0009。

$3 / hour

Dream-1

上述小時計費以外的所有內容皆屬於您。

$2 / hour

Dream-1-flash

更快、更輕量的模型。

跨任務。 我們將 Dream-1 的表現拆分為八個任務類別，從其擅長的領域到仍然困難的領域。

使用 FaaS 為你的任務進行微調。 如果 Dream-1 在你關注的任務上表現不足，你不必等待我們下一次發布。收集你自己的機器人資料，經由 FaaS 處理，並為該任務打造自訂模型。

我們希望任何擁有機器人的人都能像前線工程師一樣工作：找到有人需要完成的任務，收集一些資料，將 Dream-1 調整為它，並部署。若人們願意為你機器人的工作付費，你將保留超過時薪成本的所有收益。

04.5

一次性具身學習

當零樣本不足時，我們為你的機器人微調 Dream-1。我們稱之為 Fine-tuning-as-a-Service (FaaS)。

以下是實際效果：兩臺合作夥伴機器人資料收集的縮時錄影，各 5 分鐘。

在僅適應那 5 分鐘後，差異與零樣本執行結果並排顯示。Dream-1 現在對機器人的可用性與運動學理解更好。

一些執行體遠離 Dream-1 已知的範疇，填補這麼大的差距需要更多機器人自己的資料。Dexmate 搭載 Sharpa 多才手，使用手取代把手，並使用 77 分鐘的資料。於 YAM，我們為此任務更換了不同的末端執行器，使用可順應的把手和改良的刀把手，並用了 98 分鐘的資料。

在我們 FaaS 測試合作夥伴的十二臺機器人中，微調提升了十臺機器人的語言遵循分數：

一次適應仍優於零樣本，因此仍有差距。縮小差距是我們的主要目標之一：Dream-1 越好，任何新機器人越接近即插即用。

05

展望未來

Dream-1 如今是一種雙手機器人使用平行抓手的操作策略。它是個起點。我們相信一個強大、通用的機器人基礎模型能延伸至移動操作器、多才手以及尚未想像的機體，開啟更多人實際想要機器人完成的事物。機器人不會在第一天就解決，Dream-1 仍有真實限制，我們已盡力在上述內容中透明呈現。

機器人領域仍陷於困難迴圈：每個新機器人或任務都需要新的資料與自訂策略，往往泛化有限。以 Dream-1 作為機器人 API，我們希望打破這個迴圈，將機器人智慧帶給更多人，讓日常使用者（不僅是研究人員）能發現通用機器人智慧的新應用。

Dream-1。公開 API

將 Dream‑1 放到你的機器人上

若你正在建造機器人或將其投入實際任務，我們希望 Dream-1 成為最快使其有用的方式。告訴我們你正在做什麼。

備註與參考

1. 1MakerMods, Maker Arm：約 2k 美金的雙手臂設定。↩
2. 2Yahoo科技，Hugging Face 的 $399 Microduck 機器人已售出超過10,000臺，2026年9月1日：自8月28日開啟預購以來已售出超過10,000臺。↩
3. 3DreamZero：於2026年2月發表的引入「世界動作模型」的論文。↩
4. 4LAP 也顯示了具體化泛化的生命跡象：Zha 等人，LAP：語言-行動預訓練可實現零樣本跨具體化遷移。↩
5. 5Chi 等人，Universal Manipulation Interface：在野外無需野外機器人即可進行機器人教學，RSS 2024：在共享同一把抓手的手臂之間進行零樣本遷移，僅使用手腕相機。↩
6. 6Robocurve，一家測量並向公眾報告前沿機器人技術能力的公益公司：Dream-1 在 RoboDojo-RC Tier 1 上，2026年10月18日，CC BY 4.0。↩

引用此貼文

@misc{dreamlabs2026dream1,
  title  = {Zero-Shot to New Robots: Introducing Dream-1},
  author = {Dream Labs},
  year   = {2026},
  url    = {https://dreamlabs.ai/research/dream-1}
}