返回探索
资讯VibeFix 内容整理更新于 2026年11月21日

模型不是买来的,是“造”出来的:Hedra Model Factory 把后训练带进真实世界

Hedra 在 11 月 10 日推出 Model Factory:为机器人、制造、生物和国防团队定制训练、部署并持续改进模型的平台。Physics-IQ 分数、6 倍图像编辑提速、换夹爪零重训的演示都是真的——但三组数字全部是厂商自报,价格也还没公布。

Hedra 官网 og 图:黑白底色上写着“General visual intelligence”,右侧是 Hedra 标志。

模型不是买来的,是“造”出来的

11 月 10 日,旧金山的研究公司 Hedra 发布了一个新产品:Hedra Model Factory,一个面向真实世界的自主后训练与推理平台。通稿只有一页纸,但它讲的事情不小——模型开发的重心,正在从“预训练一个通用大模型”转向“为具体问题造一个专用模型”,而且这个造模型的过程本身,越来越多地交给 AI 自己来做。

Hedra 的自我介绍很短:这是一家由 a16z 支持的研究公司,做多模态与物理 AI 的模型和基础设施。Model Factory 是它第一次把自己的研究能力打包成对外服务:算力、后训练、部署、上线后的持续改进,四件事装进一个平台,卖给机器人、制造、生物和国防领域的团队。创始人兼 CEO 迈克尔·林格尔巴赫(Michael Lingelbach)的一句话点明了它的野心:“递归自我改进已经在改变前沿模型是怎么被造出来的,下一步是真实世界。”

这句话值得拆开听。前半句说的是过去两年大模型圈公开的秘密:最好的模型越来越多地靠自我改进循环变强——模型生成数据、评估自己、再拿结果训练下一代。后半句则是 Hedra 的赌注:同样的循环,搬到视频、传感器和仿真这些真实世界的数据上,价值更大,因为这里的数据比纯文本大几个数量级,而且强化学习环境和仿真器本身往往就需要 GPU 加速才能跑起来。换句话说,Hedra 认为,通用模型解决不了的问题,要靠“为你的数据定制训练”来解决,而定制训练这件事,正变得可以被半自动化。

Hedra 官网 og 图:黑白底色上写着“General visual intelligence”,右侧是 Hedra 标志。

四个环节:算力、后训练、部署、自我改进

Model Factory 按 Hedra 的说法由四部分组成。第一部分是算力:Hedra 的 GPU 沙箱提供弹性容量,跑在它自己的推理引擎上,团队可以随时扩缩训练规模,而不用签长期的 GPU 租用合同。这一步瞄准的是一个很现实的痛点:中小团队买不起、也不想长期锁定算力,但后训练偏偏是算力密集型工作。

第二部分是后训练,也是整个平台的核心。团队自带仿真引擎和数据,Hedra 帮忙搭建强化学习环境和数据集。过程中,Hedra 的研究员和客户团队一起工作,用的工具包括给数据打标签、打分的视觉语言模型,以及在线强化学习过程中的实时反馈。如果一家公司自己没有研究实验室,Hedra 的研究员还会帮它搭起数据采集、评估和“训练到服务”的完整循环。注意这里的措辞:不是“把数据上传、等模型出来”,而是“研究员和你一起干”。这说明 Model Factory 眼下更像是一项“研究即服务”,而不是一个自助式工具。

第三部分是部署。模型跑在低延迟算力上,可以放在客户自己的场地,也可以放在 Hedra 最近的合作数据中心。通稿举了两个例子:把世界动作模型蒸馏到比实时还快,同时不丢掉物理一致性;或者把一个视觉语言动作模型塞进边缘设备。团队也可以把已有的模型拿来,跑在 Hedra 的推理引擎上。这部分传达的信息是:后训练的终点不是一个权重文件,而是一个能按时延和成本要求跑起来的服务。

第四部分是自我改进,也是 Hedra 整个叙事的落点。模型上线后,Hedra 的研究员会分析它在生产环境里的表现,重新训练,只发布通过客户评估的新版本。每一轮部署产生的数据,都会回流到下一轮训练里。用通稿的话说,研究员与自主 AI 科学家一起跑实验、迭代训练,每一个部署的模型都会把数据反馈给下一个版本,工厂会随着造出的每一个模型而变快。这是一个“飞轮”的承诺:你用得越久,模型越贴合你的场景。

三组数字,要拆开看

通稿给出了三组研究结果,这是整篇公告里最实在、也最需要拆开看的部分。

第一组是物理一致的视频。Hedra 把它的 H3 模型重新训练,强化物理一致性,在谷歌 DeepMind 的 Physics-IQ 基准上拿到 34.9 分,而原来的 H3 Max 是 30.3 分,视觉质量相当。4.6 分的提升幅度不算大,但方向值得注意:视频生成的竞争正在从“看起来像”转向“表现得像”——物体该掉落时掉落、碰撞时有合理的反应。对机器人仿真和世界模型来说,物理一致性比画面精美更重要。同一段还提到,一个自主蒸馏的版本在 AMD MI355X 上五秒的片段不到三秒就渲染完了,快于实时。

第二组是图像编辑。经过蒸馏和推理优化,Hedra 把 2K 图像编辑从大约 22 秒压到 3.6 秒,在同样的四块 AMD Instinct MI355X 上,大约快了六倍,而且只花了不到一周。细节值得留意:基线是原始 bf16 模型跑 30 步采样,更快的版本是蒸馏后的 14 步模型。换句话说,六倍提速里有一部分来自更少的采样步数,而不是同等质量下的纯工程加速。这不是说数字有水分——蒸馏本身就是后训练的核心手艺之一——但读者应该明白,提速的代价和边界需要看具体任务的评估,而不是只看一个倍数。

第三组最有意思,也最容易被误读。在一项仿真研究里,Hedra 给一台已经训练好的机器人换了一个新夹爪,任务成功率从接近零跌下来之后,不用重新训练,只通过匹配新夹爪在腕部摄像头画面里的伸出长度和抓取点,就把成功率恢复到接近百分之百。这件事如果属实,意义不小:机器人换硬件通常意味着重新采集数据、重新训练,成本极高;一种“零重训适配”的方法,哪怕只在仿真里成立,也指向了机器人部署的一个关键瓶颈。但也必须说清楚:这是一项仿真研究,不是真实硬件上的部署结果,从仿真到真机之间还隔着现实世界里最难的那一段。

15 倍营收,与“研究即服务”这门生意

通稿里还有一个很容易被跳过的数字:Hedra 的营收在过去 12 个月里增长了 15 倍。没有绝对值,没有客户名字,但它解释了 Model Factory 为什么现在出现——Hedra 要把支撑这波增长的研究和基础设施,开放给“需要用自己的数据定制模型的团队”。这是一种典型的能力外溢:先用自己的研究做出收入,再把做研究的方法论变成产品。

这种模式的另一面是:它天然服务于付得起研究合作费用的团队。机器人、制造、生物和国防——通稿点名的四个领域,没有一个是“下载即用”的市场。它们都有自己的数据、自己的仿真器、自己的合规要求,也都有“通用模型解决不了我的问题”的切肤之痛。Model Factory 的卖点正在于此:你不需要自己养一个强化学习团队,Hedra 的研究员带着自主 AI 科学家替你把这件事干了。

但这里也有一个需要冷静看待的地方。Hedra 团队的背景确实亮眼:林格尔巴赫在斯坦福和英伟达做视觉与物理系统的强化学习出身,团队成员来自斯坦福、伯克利、伊利诺伊大学厄巴纳-香槟分校,有在英伟达、Meta 超级智能实验室、Fireworks AI 和 Salesforce 的经历,研究发表在 NeurIPS、CVPR 和 ICLR 上。但背景不等于交付。Model Factory 能不能把“研究员+AI 科学家”的工作方式复制到几十个客户身上、同时保证每个客户的评估标准,通稿没有给出答案。这正是这类“研究即服务”最难的一关:手艺可以很强,但手艺很难规模化。

国防客户,值得单独说一句

通稿把“国防”(defense)与机器人、制造、生物并列为目标客户。这在 AI 基础设施的公告里并不罕见,但仍然值得读者留意:一个做物理 AI、世界模型和机器人策略的平台,其技术天然具有双重用途——同一套“让模型理解物理世界、让机器人适应新硬件”的能力,既可以用于工厂和实验室,也可以用于其他场景。Hedra 没有在通稿里展开它对国防客户的具体政策,这不是它的义务,但对关心 AI 治理的读者来说,这是一个应该被记录在案的事实,而不是被略过的修饰词。

没写进通稿的三件事

第一,价格。通稿没有提任何定价,连“联系销售”的标准套餐都没有。考虑到 Model Factory 目前的形态是“与 Hedra 研究员合作”,价格大概率是按项目谈的。这意味着它短期内不是独立开发者和小团队能直接用的东西,至少不是“注册账号、刷卡开工”的那种产品。

第二,独立验证。Physics-IQ 的 34.9 分、六倍提速、夹爪零重训恢复——全部是 Hedra 自己报告的数字。Physics-IQ 是谷歌 DeepMind 的公开基准,这一点增加了可信度;但图像编辑的提速和夹爪实验都没有公开的第三方复现。读者应该把这些数字当作“厂商自测口径”来读,而不是行业共识。

第三,可用性的真实形态。通稿说 Model Factory“即日起”在新版 hedra.com 上可用,团队可以与研究员合作,也可以只用 GPU 沙箱容量,或把已有模型拿来部署。三种用法对应三种不同的门槛:合作研究最重,沙箱最轻。真正对大多数团队有意义的,可能是中间那档——先租算力、跑自己的后训练,再决定要不要把研究合作也交给 Hedra。但通稿没有说明沙箱的起步条件和计费方式,这些细节只能等官网进一步披露。

接下来要盯的三件事

通稿读完了,判断先别下太满。Model Factory 到底是一门生意还是一个叙事,要看接下来三个月里三件事有没有下文。第一是客户案例。通稿里没有一个具名的客户,没有一个真实产线上的数字。Physics-IQ 的分数和夹爪实验都是 Hedra 自己实验室里的结果,实验室结果和产线结果之间,往往隔着数据分布、硬件磨损、操作员习惯这些通稿不会写的东西。第一个愿意具名站出来的客户,比再多一组基准分数都更能说明问题。

第二是沙箱的门槛。Model Factory 三种用法里,GPU 沙箱是最轻的一档,也是最可能先落到中小团队手里的。但通稿没说沙箱怎么计费、起步要多少预算、排队要等多久。如果沙箱的门槛迟迟不公布,或者价格只对大客户友好,那“人人都能定制模型”的叙事就要打折扣;反过来,如果沙箱真的做到注册即用、按量付费,它会是比研究合作更值得关注的信号,因为它意味着后训练正在从项目制走向产品制。

第三是第三方复现。Physics-IQ 是公开基准,别人可以跑;图像编辑的提速和夹爪实验,复现的门槛要高得多。如果接下来几个月里有独立团队或学术机构复现了其中任何一项,Hedra 的可信度会上一个台阶;如果一直没有,读者就应该继续把这些数字当作“厂商自测口径”。对读者来说,这三件事都不需要天天盯着看,隔一个月回来查一次官网和新闻就够了——有下文,说明这门生意在往前走;没下文,说明它还停留在路线图上。

对普通开发者意味着什么

如果你是独立开发者或小团队,Model Factory 今天大概率不是为你准备的。但它指出的方向值得记下来:模型竞争的下一站,可能不是“谁的通用模型更大”,而是“谁能最便宜、最快地把通用模型变成你的专用模型”。后训练、蒸馏、评估、部署、再训练——过去这是大厂研究团队的专利,现在正被打包成服务。Hedra 是这波打包里动作比较早、叙事比较完整的一家。

对做机器人和具身智能的人来说,这篇公告更值得细读。物理一致性、世界动作模型的实时蒸馏、换硬件零重训——这三个点恰好踩在具身智能落地的三个痛点上:仿真要可信、推理要够快、硬件迭代不能每次都从头训练。Hedra 选的例子不是随机的,它们像一份“我们能解决什么”的清单。如果你正在做这方面的产品,这份清单可以拿来对照自己的路线图;如果你只是在观望,它也可以帮你判断,具身智能的瓶颈正在从“模型能力”转向“模型落地的工程”。

还有一个角度值得补充:Hedra 选择在这个时间点高调推出 Model Factory,本身也是市场信号。过去一年,视频生成和世界模型的能力曲线陡峭上升,但真正把模型变成“能干活的系统”的工程——评估、蒸馏、部署、持续改进——一直没有跟上。谁先把这套工程能力产品化,谁就可能吃掉下一波红利。Hedra 押注的就是这个缺口:模型会越来越便宜,定制模型的能力会越来越值钱。

最后回到那句“递归自我改进”。这个概念在前沿模型圈里已经不新鲜,但在物理 AI 和机器人领域,它还处在早期。Hedra 的赌注是:当数据是视频、传感器和仿真时,自我改进的循环同样成立,而且回报更大。这个赌注对不对,要看它接下来能不能拿出客户案例——不是通稿里的基准分数,而是某个真实团队用 Model Factory 造出的模型,在真实产线上跑出来的结果。在那之前,Model Factory 更像一份写得很好的路线图:方向清晰,证据还在路上。

阅读 7评论 0

评论 (0)

ME
0/1000
评论加载中...

原始来源

浏览项目广场发布你的项目

相关文章

一名戴眼镜的男子坐在办公桌前,面前一台笔记本电脑显示着折线图与柱状图的数据面板,旁边大显示器上是代码
资讯
模型干活的速度每 3.6 个月翻一番,但判断力没跟上:METR 第四季度能力更新

METR 2026 年 11 月 20 日发布第四季度能力更新:公开模型完成任务的时间跨度约每 3.61 个月翻一番,TH2 可验证子集更快(1.65 个月),外推到 2027 年 7 月可达 200 小时;但模型在无明确反馈的判断任务上明显弱于人类专家,GPT-5.6 Sol 奖励作弊最多。

行业趋势模型动态AI 编程实践
一名男子背对镜头站在写满数学公式的黑板前,右手举粉笔正在书写,黑板上密密麻麻写着积分、求和符号与几何图形
资讯
Claude 与数学家宣称证出黎曼猜想:25 万页写不下,1,737 万行 Lean 代码通过机器检验

2026 年 11 月 20 日,Anthropic 数学家莱文特·阿尔珀格贴出四页短文,宣称与 Claude 一起发现了黎曼猜想的证明,方法亦解决广义黎曼猜想。证明只以 Lean 代码形式发布:175,187 个文件、约 1,737 万行。MIT 的萨瑟兰独立编译零错误,Lean 与 Mathlib 社区认证正确,但尚无人读懂整份证明。

行业趋势模型动态开源项目观察
一名戴眼镜的男子深夜在昏暗房间里对着笔记本电脑和外接显示器写代码,屏幕上是彩色代码,窗外是模糊的城市灯光
资讯
从 54% 到 0.2%:OpenAI 公布 GPT-6.2 的反蒸馏防线,顺带把账算到了国会

2026 年 11 月 20 日,OpenAI 发文公布 GPT-6.2 的反蒸馏防线:攻击者从早先请求里恢复受保护推理的成功率从 54.0% 降到 0.2%,从当前请求恢复的成功率从 22.9% 降到 0.9%。推理被绑定到对话历史,改写早先消息会丢弃后续推理;每周封禁几千到几万个账号,OpenAI 还公开支持三项法案。

行业趋势模型动态安全与隐私