Realset AI 与 Flatkey 联合融资千万美元，真实任务数据仍要过评测关

前天 3阅读

2026年9月30日，Realset AI 在公司发布的新闻稿中宣布，Realset AI 与 Flatkey 共同完成1000万美元A轮融资。资金用途包括扩展真实场景采集网络、增加专业示范者与领域专家，并支持开放基准建设。这里的金额对应两家公司共同宣布的融资，不应分别计算。

真实任务如何成为训练材料

新闻稿介绍了三类工作：采集物理操作示范，围绕真实业务流程搭建强化学习环境，以及由领域专家评估生产中的智能体。这样的数据服务覆盖从动作记录到失败诊断的不同环节，其具体交付内容仍需按项目确认。

从方法上看，记录一个人完成工作，与得到可训练的数据之间还有距离。镜头是否拍到关键动作、记录能否对齐、任务开始和结束如何界定，都会影响后续使用。同一段视频可能适合说明步骤，却不足以还原机器人需要执行的控制动作。

假设团队希望训练模型折叠毛巾，既要覆盖不同摆放位置，也要考虑材质、光线和遮挡。若训练与验证素材来自同一房间和同一操作者，结果可能只反映对熟悉环境的适应。这个例子是评测设计建议，不是对 Realset 数据集的实际测试。

采购数据时，可以先问清任务分布、失败样本比例、标注规则与场景划分方式。只统计视频时长，难以判断新增素材是否带来了新的能力边界。对已经容易完成的步骤继续增加近似样本，未必比补齐少见但重要的失败情形更有帮助。

AI 模型生成的概念插图：把真实操作整理成动作序列，画面不是 Realset 的采集现场或设备照片。

公告称，家庭操作基准的结果预计在2026年第四季度发布；轻型装配与电商运营智能体基准仍处于计划阶段。截至这次公告，不能把这些安排写成已经公开的数据集或已经取得的模型成绩。

读者后续更值得查看的是任务定义、测试环境、成功条件与复现说明。例如，整理物品是否允许人工重置，超时如何计分，以及一次失败是否影响后续任务，都会改变最终成绩。只有口径足够清楚，不同策略之间的数字才有比较意义。

融资可以支持采集与交付体系扩张，却不能单独证明某种模型已经更可靠。对于准备试用这类服务的团队，可以先围绕一个明确失败类型建立小规模验证：冻结原有模型和评测集，补充数据后观察目标问题是否改善，再检查是否损害其他任务。

还应在合同与数据流程中厘清素材授权、可使用范围、保留期限和后续删除安排。现实场景越丰富，越需要知道数据从哪里来、经过怎样的处理。此次消息说明相关投入正在推进；最终能否转化为稳定能力，仍需公开结果与具体项目验证。