别急着丢掉「坏数据」：三星团队提出 ε4P，让不完美数据助力高精度机器人操作

三星机器人团队提出 ε4P 方法，针对机器人精细操作学习中大量不完美数据被直接混训反而拉低性能、常被丢弃的问题，基于 flow matching 训练过程中不同噪声区间模型对动作、任务上下文的依赖差异，将两类不完美数据分别准入适配的噪声区间：任务匹配但精度不足的数据用于高噪声区间提供正确任务上下文，精度匹配但任务不匹配的数据用于低噪声区间提供精准动作监督，在不改变模型架构、训练目标和数据采样概率的前提下充分释放不完美数据价值。多项真机测试显示，使用完全相同的数据集，ε4P 相比直接混训能大幅提升任务成功率，效果远超仅使用目标任务高精度数据的基线，还证明直接混训时危害大的数据潜在价值未必低，相比调整数据权重，明确数据的适用贡献场景更关键，使用 ε4P 利用不完美数据可接近新增等量高精度数据的效果，有望降低机器人操作任务对专门采集的高精度示范数据的依赖，减少示教采集成本。