FineART

FineART（Fine-Grained Annotated Robotic Trajectory）是 Scale AI 与 Hugging Face LeRobot 联合开源的双臂机器人操作数据集，也是 Scale AI 的首个开源机器人数据集与模型。Scale Labs 博客发布日期为 2026-10-29，本周它正冲上 Hugging Face 数据集趋势榜（lerobot/FineART，下载量超 84 万）。

规模：

• 40,543 条遥操作轨迹，共 1,718 小时、1.855 亿帧；
• 533,913 条带起止时间戳的自然语言子任务标注，平均每条约 13 个子任务；
• 151 个任务，约 77% 为抓取放置/分拣，23% 为布料、线缆、工具使用、精密插装等接触密集型长尾任务；
• 采集平台：Trossen Stationary AI（ALOHA 风格）双臂机器人，4 路相机；格式 LeRobot dataset v3.0，许可 CC BY 4.0。

同时发布 FineART-VLA：在 Physical Intelligence 的 π0.5 基础上扩展的 System 2（预测下一子任务）+ System 1（连续动作）一体化策略。

解决什么问题

多数开源机器人数据集每条轨迹只有一句任务级指令（如“拆开箱子”），或只对部分时长做了子任务标注，难以训练“先想下一步、再执行”的分层策略。FineART 对全部时长做了密集子任务标注，号称是最大的子任务标注开源机器人数据集。

亮点

• 两级标注：任务级 + 时间分段的子任务级，另含执行质量/成功元数据；
• 三段式数据管线：采集、标注、质检由不同团队完成；
• FineART-VLA 结果（论文自报）：中训练后空间指令遵循成功率从 32% 提升到 100%；在人类逐步子任务引导下，未见长程任务成功率从 16% 提升到 76%；迁移到新机器人时用约 1/10 微调数据即可追平基线。

与同类比较

相比 Open X-Embodiment、DROID 等以单句指令为主的数据集，FineART 更适合训练 System 1 / System 2 分层 VLA；但只覆盖单一硬件平台（ALOHA 风格双臂）。

适合谁

• 训练/评估 VLA、分层机器人策略的研究团队；
• 使用 ALOHA / Trossen 双臂平台的实验室；
• 想研究“语言子任务 → 动作”接口的具身智能开发者。

如何上手

1. pip install lerobot（需支持 language_persistent / language_events 列的版本）；
2. 加载数据：from lerobot.datasets.lerobot_dataset import LeRobotDataset; ds = LeRobotDataset("lerobot/FineART")；
3. 用 lerobot-annotate 给自己的 LeRobot 数据集做子任务分段；
4. 用 lerobot-train 基于 lerobot/FineART-VLA-subtask-midtrained 微调自己的任务。

注意事项

数据量约 1,718 小时视频，完整下载需大量存储与带宽；建议先按任务子集流式读取。