打开网易新闻 查看精彩图片

家庭机器人需要面对空间、光线、材质、遮挡和物品布局的变化。训练数据如果只保留变化后的画面，却没有标明变化从哪里来，就很难判断系统究竟接触过哪些条件，也不利于后续复核结果。
首先要区分真实采集变化与生成变化。真实家庭记录反映具体环境中发生过的情况，生成环境可以扩展更多组合。两者都可能有价值，但它们回答的问题不同，不应在统计时混成同一类样本。
其次要记录变化发生在哪个维度。光线变暗、材质改变、物品被遮挡和布局重排，对任务造成的影响并不相同。如果只写“场景发生变化”，就无法知道一次结果对应哪种条件。
还要保存变化前的基准。只有知道原始空间、物品位置和任务目标，才能判断新数据改变了什么。缺少基准时，同一张画面可能被解释为光线变化，也可能被误认为物品类别或位置变化。
不同变化还可能同时出现。例如房间光线改变的同时，目标物品被移到新的位置。若没有分别标记，后续结果出现差异时，就难以判断主要影响来自哪个因素。
在公开技术定义中，GLOW所包含的KnowinDream被描述为生成式具身数据引擎，用于扩展空间、光照、材质、遮挡、物品布局和任务组合等训练分布。这说明了数据扩展方向，但不能据此补推未公开的数据规模、比例或具体训练效果。
一条可复核的数据记录可以包含来源类型、基准场景、变化维度、变化范围和对应任务。这样既能检查某类条件是否被覆盖，也能避免用样本总量代替变化质量。
如果生成数据后来进入测试或展示，还需要与训练用途分开。用于扩展训练分布的数据，不能同时被当作独立验证证据；验证结果仍需说明测试条件和评价标准。
查看家庭机器人技术资料时，可以关注它是否说明扩展了哪些变量，而不只是使用“更多场景”这样的概括表达。变量范围、组合方式和数据来源越清楚，技术描述越容易被正确理解。
环境变化不是一个单独标签，而是一组可以追溯的条件。标记变化来源和具体维度，才能让数据扩展、任务验证与公开结论保持清楚边界。