11月11日消息，2026 年 11 月 9 日，机器人企业 Tutor Intelligence 公开技术报告，推出TI‑0.1 视觉运动策略，配套 TRACE 智能体闭环训练框架与 Golem 机器人软件栈。该方案依托 GPT‑6 Astra 等前沿大模型智能体，只需要少量人类遥操作示范，即可自动完成真实场景到仿真的高精度重建，把机器人灵巧操作学习转化为部署阶段算力可扩展问题，在 Sonny 双臂机器人上实现乐高拾取摆放等任务的实时自主运行。

传统机器人模仿学习高度依赖海量真机示范数据，采集成本高；而传统实转仿（real‑to‑sim）大多只还原视觉画面，很难复刻真实世界的接触物理特性，仿真训练出来的策略经常无法迁移到真机。TI‑0.1 整套技术栈试图破解 “仿真‑现实鸿沟”，由 TRACE 闭环流水线完成仿真重建、强化学习训练、策略蒸馏，再通过 Golem 高性能栈完成机器人端部署推理。

TRACE 全称 “遥测驱动重建、对齐与闭环评估”，整套流程由大模型智能体自动驱动，分为重建、对齐、闭环评估三大环节，仅需要少量 Tutor 人类遥操作示范作为种子输入，示范会同步留存图像、机器人指令、关节状态全套遥测数据。

为支撑整套算法落地，Tutor 同步开源Golem 机器人软件栈，面向 Sonny 双臂机器人，采用 Rust+Python 混合架构，解决旧 Python 栈资源占用高、相机时序不同步、延迟大的痛点：CPU 占用中位数由 62% 下降至 6%，内存从 27GiB 降至 5.7GiB；相机流处理延迟由 19ms 优化到 6ms；通过 NTP 时间校准统一多相机、机器人指令、传感器数据流时间戳，保证示范、仿真重建时间对齐；支持多模型驻留内存快速切换，适配大规模机器人群集 DF1（100 台 Sonny 机器人的数据工厂）做并行数据采集与策略评测。

TI‑0.1+TRACE 开辟一条新思路：不再无限度采集昂贵的真机示范，而是用少量示范，借助大模型智能体自动构建高保真数字孪生，在仿真中消耗算力生成海量经验再蒸馏部署，机器人能力可以随仿真计算资源扩大而提升。该流水线可以运行在 DF1 百台机器人群集，也可以面向现场部署的机器人，将灵巧机器人学习从 “海量真机数据依赖” 转向部署时算力扩展范式。