Стартап Dream Labs, основанный четырьмя бывшими исследователями NVIDIA из команды GR00T, вышел из стелса с посевным раундом в 90 миллионов долларов и открыл публичный API модели Dream-1, которая управляет двурукими роботами, на которых никогда не обучалась. По независимой оценке Robocurve, Dream-1 набирает в среднем 59,3% и опережает LLM-агентов Gemini 4 Argon, GPT-6 Astra и Opus 5.5, при этом каждая попытка обходится в 16 раз дешевле, чем у ближайшего из них.

image
image
image

Что произошло

Dream Labs официально вышла из стелса 19 октября 2026 года. Посевной раунд в 90 миллионов долларов возглавил B Capital; к нему также присоединились Kindred Ventures, Unusual Ventures, SV Angel и Wing VC. В тот же день компания открыла публичный API на platform.dreamlabs.ai с двумя тарифами: Dream-1 — 3 доллара в час, Dream-1-flash — 2 доллара в час. Dream-1 — «модель мира и действия» (World Action Model, WAM): она обучается по видео и одновременно предсказывает будущие кадры и действия. На вход модель принимает изображения с трёх камер — голова плюс два запястья, а возвращает позы кончиков захватов (end-effector poses) и команду открыть/закрыть; в движения суставов их переводит собственный IK-решатель самого робота. Заявка на работу с незнакомыми машинами подтверждена zero-shot тестами на 27 незнакомых роботах в симуляции, включая 18-летний PR2 с результатом 73,8%, и на четырёх реальных роботах без дообучения.

Контекст

Главная проблема робототехники долгое время выглядела как замкнутый круг: чтобы робот стал полезным, ему нужны данные, собранные на нём самом, а чтобы собрать эти данные, робот уже должен работать. Предшественник DreamZero, представленный в феврале 2026 года, ещё требовал около 30 минут данных с новой машины для переноса навыка. Dream-1 сокращает этот шаг до нуля за счёт выбора уровня абстракции: модель работает на уровне захвата — позы end-effector плюс команда открыть/закрыть, а суставные движения считает локальный IK-решатель. Такой дизайн честно снижает разрыв между обучением и реальной машиной (embodiment gap), но перенос остаётся ограниченным узким классом конструкций — двурукими роботами с параллельными захватами и тремя камерами. Независимая оценка Robocurve проводилась на бенчмарке RoboDojo-RC Tier 1 со 120 попытками на конфигурацию: Dream-1 опережает Gemini 4 Argon с примерно 48%, GPT-6 Astra с 42,5% и Opus 5.5 с 38,2%, а одна попытка стоит около 0,15 доллара и занимает приблизительно 1,4–1,5 минуты. По сочетанию цены и скорости Dream-1 находится на Парето-фронтире, и облачная робототехническая инференс-модель впервые оказывается сопоставимым с LLM-агентами продуктом в задачах манипуляции.

Почему это важно для индустрии

Для отрасли важна не сама модель, а то, как она меняет структуру рынка. Zero-shot перенос через облачный API размыкает цикл «курицы и яйца»: новая двурукая машина с армом примерно за 2000 долларов становится полезной с первого дня и сразу генерирует телеметрию для следующих World Action Model, из-за чего в этом сценарии падает ценность собственноручно собранных датасетов под конкретного робота. Порог входа в манипуляцию для стартапов сводится к почасовой подписке и дешёвому арму вместо многолетнего сбора данных под конкретную машину. Публичный API задаёт готовый интеграционный контракт — изображения с трёх камер на входе, позы кончиков захватов и команда открыть/закрыть на выходе — под который подходит любой двурукий робот с параллельными захватами и рабочим IK-решателем. Если заявленная экономика выдержит нагрузку, цена за попытку может стать стандартной метрикой выбора модели для манипуляции, а в ближайшие месяцы стоит ждать независимых репликаций результата и реакции конкурентов, включая NVIDIA GR00T и LLM-агентные подходы.

Почему это важно для пользователей

Попробовать это можно уже сегодня. Если у читателя есть двурукий робот с параллельными захватами и рабочим IK-решателем, машину можно подключить к Dream-1 через platform.dreamlabs.ai по тарифу 3 доллара в час, либо к более быстрой Dream-1-flash за 2 доллара в час, и запускать задачи без какого-либо дообучения. Реалистичный сценарий на этом этапе — прототипы и пилоты на повторяющихся задачах с человеком в контуре, с оценкой возможностей машины перед более серьёзным применением. Обещания производителя не нужно принимать на слово: Robocurve публикует 120 открытых прогонов и видеозаписи на robocurve.org, где видно, как модель справляется с задачами и на каких конфигурациях — это готовый материал для самостоятельной проверки.

Что пока неизвестно / ограничения

Доказательная база zero-shot заявки узкая: основной объём экспериментов проведён в симуляции на 27 незнакомых роботах, а реальных машин всего четыре, поэтому перенос на настоящее новое железо остаётся самым слабым звеном доказательной цепочки. Применимость ограничена узким классом конструкций — двурукими роботами с параллельными захватами и фиксированной трёхкамерной схемой входа. Результат в RoboDojo-RC ещё предстоит подтвердить за пределами этого бенчмарка: впереди независимые репликации, прогоны на новых конфигурациях и сравнения с открытыми VLA-моделями. Компания сама помечает модель как research beta, и она не валидирована для safety-critical использования.

Источники

Автор

Look at AI, редакция