OmniEAR

OmniEAR专家轨迹数据集是一个为Embodied Reasoning模型进行监督微调而设计的高质量专家演示轨迹的集合，包含1982个指令遵循示例，适用于物理交互、工具使用和协作推理等场景。

搜集汇总

数据集介绍

构建方式

在具身智能领域，高质量专家示范轨迹对于模型训练至关重要。OmniEAR数据集通过大语言模型辅助生成与专家验证相结合的方式构建，涵盖1982条指令遵循样本，经过多阶段质量把控，包括任务可行性验证、动作序列正确性检查以及格式一致性审核，确保每条轨迹均符合环境执行约束与逻辑连贯性要求。

特点

该数据集突出表现为多维度任务覆盖与精细化结构设计，包含单智能体与多智能体两大场景，细分直接指令、属性推理、工具使用及复合推理四类任务。样本平均长度约2600字符，复杂度呈现梯度分布，支持从基础操作到高级协作的全方位研究需求，且所有数据均通过自动化验证与人工核查，保证指令对齐度达97.8%以上。

使用方法

研究者可通过HuggingFace平台直接加载数据集或按需选取特定任务子集，支持灵活接入主流训练框架。以因果语言模型为例，需将系统提示、指令及预期响应拼接为统一文本序列，配置标准化训练参数后进行监督微调。该数据集适用于具身推理模型的性能优化与协同行为研究，需遵循MIT许可规范并引用相关论文。

背景与挑战

背景概述

OmniEAR专家轨迹数据集由浙江大学REAL实验室团队于2025年推出，旨在推动具身智能领域的推理能力研究。该数据集聚焦于物理交互、工具使用和多智能体协作等核心问题，通过1982条高质量专家示范轨迹，为监督微调提供标准化训练样本。其创新性体现在融合单智能体与多智能体场景的复合推理任务，为具身推理模型的性能评估与优化建立了重要基准，对促进智能体在复杂环境中的认知决策能力发展具有深远影响。

当前挑战

该数据集致力于解决具身智能领域的环境感知与物理交互难题，包括多模态信息融合、动态工具使用策略生成以及跨智能体协作机制等核心挑战。在构建过程中，面临专家轨迹质量控制的复杂性，需确保动作序列在环境约束下的可执行性；同时需维持指令与输出的逻辑一致性，特别是多步推理链的连贯性验证；此外，多智能体协同场景的标准化表达与数据平衡性保障也是重要技术难点。

常用场景

经典使用场景

在具身智能研究领域，OmniEAR数据集为监督微调提供了高质量的专家示范轨迹。该数据集通过1982条结构化指令-输出对，支持智能体在物理交互、工具使用和协作推理等场景中的行为学习。单智能体任务涵盖属性推理与复合推理，多智能体任务则专注于复杂协作场景，为模型提供了从基础指令遵循到高级协同决策的全方位训练素材。

衍生相关工作

该数据集衍生了多个具身智能领域的经典研究工作，包括基于专家轨迹的强化学习算法改进、多模态推理模型的联合训练框架以及分布式智能体协作机制的创新探索。研究人员利用其丰富的任务类别和高质量标注，开发了新型的行为克隆方法、分层强化学习策略以及跨任务迁移学习方案，这些工作显著推动了具身推理模型在复杂环境中的适应性和泛化能力提升。

数据集最近研究

最新研究方向

在具身智能领域，OmniEAR数据集正推动多模态推理与协作决策的前沿探索。研究者们借助其高质量专家轨迹，重点突破复杂环境下的工具使用范式与多智能体协同机制，特别是在物理交互的动态语义理解方面取得显著进展。该数据集已成为验证强化学习与监督微调融合方法的关键基准，相关研究正逐步解决现实场景中的自适应任务分配与分布式决策问题，对自动驾驶、服务机器人等领域的智能体行为优化具有重要指导意义。