数据性质 × 有效训练 · 广度 roadmap + 精度 Insight
研究母题之一：聚焦数据本身（性质）与"怎么让训练更有效"，不涉及纯硬件设计。 核心命题：机器人数据无法像 LLM 那样无限扩展（物理采集成本），所以要靠"看清数据性质 + 用对数据"来逼近扩展带来的好处。
PART A · 广度：数据的八个性质维度（决定训练有效性的"体检项"）
| # | 性质维度 | 问了什么 | 证据在库 |
|---|---|---|---|
| ① | 规模 scale | 数据量曲线的形状？能不能用别的方式替代扩展？ | AXIS 缩放、PhyFilter（物理过滤替代扩展） |
| ② | 多样性/几何形态 diversity | 多样性是不是越多越好？ | Geometric Entropy(H_G)、FAKTUAL(签名熵) |
| ③ | 物理质量 physical truth | 数据"过程物理上对不对"？ | SoftVTBench(DSR/FEM)、PhyFilter |
| ④ | 冗余 redundancy | 有没有大量可删的重复信息？ | 冗余审计、SIEVE、均匀性 |
| ⑤ | 噪声/次优性 suboptimality | 次优/分布外示范能不能用？ | Ambient Diffusion、SDP(纠正块) |
| ⑥ | 标签一致性 label consistency | 标注（语言/动作）会不会"对但错位"？ | MMPF(ITM审计)、Keypose自动标注 |
| ⑦ | 覆盖/分布 balance | 各类场景/本体/难度是否均衡？ | 混合/co-training、LingBot 数据配方 |
| ⑧ | 可学习结构 structure | 数据里有没有可复用的结构？ | SIEVE(原语+转移接口)、Keypose、action-chunk |
PART A·2 · 广度：让训练更有效的六个机制
- 选择/策展 selection：SIEVE（按原语结构选，50% 数据+50% 步数超越全量）、FAKTUAL（熵最大化选子集）、medoid、COBALT 实时指标过滤。
- 过滤 filtering：PhyFilter（物理过滤学习残差，替代数据扩展）、MMPF（过滤 vs 重标二选一）。
- 重标注/纠错 relabel & correct：SDP（用人类纠正构建正负动作块）、MMPF relabel、Keypose 自动轨迹标注（VLM 事件 + 轨迹分析，一条示范串全任务）。
- 混合/课程 mixing & curriculum：co-training（人体视频+机器人数）、Ambient Diffusion（噪声依赖使用）分阶段、LingBot 的"50k robot + 10k ego"配方。
- 利用次优/无标签数据 exploiting suboptimal：Ambient Diffusion（噪声依赖数据使用）、利用 OXE 异构数据。
- 数据表示/条件化 conditioning：动作粒度、关键点、动作块——让监督"更可学"。
PART B · 精度：研究员级 Insight
I1 · "多样性不是越多越好"——几何熵的倒U曲线，是把"数据性质"变成可操作信号的最硬结论。 H_G 用 target-frame 对齐归一掉目标位姿/工作区外源变量后，测量过境轨迹的几何多样性，得到倒U：低多样性区加多样性→更稳；一旦多样性引入"策略二义性"→反而掉点；任务越熟练（更多数据/更易任务/更强先验），最优熵往下移；对预训练 VLA 近乎单调递减。含义：真想提升训练，不能盲目"更多/更多样"，要按任务熟练度把数据多样性校准到"可学习区"。这条直接可写成"数据集体检报告"的一项。
I2 · 机器人界不能靠无限扩展——"用数据性质改造训练"是扩展的替代品。 PhyFilter 明说"按 LLM 方式堆 demo 不现实"，用物理过滤的反馈残差在数据很少时也能泛化（四足/无人机/空中机械臂都验证）。核心命题：做事效率的杠杆不是"多采"，而是"把物理先验/数据性质织进训练"。这是 Data-Centric 在机器人界的立足点。
I3 · 次优/无标签数据不是垃圾，是用法问题。 Ambient Diffusion 发现机器人动作数据有谱幂律，据此只在"高频(局部)与低频(全局)"时段用次优数据抽有用特征，在 OXE 异构数据上 +33%；SDP 把人类纠正当"正负动作块"结构化使用。含义：数据价值的瓶颈常在建模/用法（怎么把次优数据喂进去），而非数据本身——先别急着扔，先想怎么用。
I4 · 标签噪声是最阴险的破坏源，且"审计"必须成为管线标配。 ITM（轨迹行为正确、但配了错误语言指令）外表无害，却污染语言-行为映射；MMPF 以"多模态概率融合"(乘积专家)检测+重标或过滤，多数下游训练提升。含义：数据质量问题里，标注错位比执行失败更难发现也更不该忽略——要在进训练前加"审计门"。
I5 · "可学习结构"信号 > 原始量——高杠杆点。 SIEVE（原语+转移接口，50% 数据超越全量）、Keypose（关键点 conditioning + 可达性过滤跨本体）、action-chunk（SDP）都在证明：从数据里提炼"适合学"的结构，比堆更多数据更值钱。这是"数据有效训练"的性价比之王。
I6 · "整理成可训练语料"本身是一门工程研究（数据配方）。 LingBot-VLA 2.0 用重新整的 60,000h（50k 机器人 + 10k 第一视角）驱动跨本体长程；AXIS/COBALT 证明"采集+质检+扩增"流水线。含义：比分头采数据更稀缺的，是"怎么把异构、带噪、错位的原始数据，整理成同口径、可缩放、可审计的训练语料"——这正是你"数据研究员"该卡位的产出。
落地建议（给研究计划）
- 给每个候选数据集出一张"性质体检表"：几何熵、物理真值(DSR)、ITM 审计率、冗余度、次优占比、覆盖均衡。
- 训练管线加三道数据门禁：选择(SIEVE/FAKTUAL) → 过滤/审计(PhyFilter/MMPF) → 吸收次优(Ambient/SDP)。
- 别盲目增多样/增量，按"任务熟练度"校准到可学习区。
- 把"数据配方（异构→统一训练语料）"作为可复用的自建产出。