> ## Documentation Index
> Fetch the complete documentation index at: https://avala.ai/docs/llms.txt
> Use this file to discover all available pages before exploring further.

# 机群学习

> Avala 如何把您机群的失败转化为下一版模型所需的数据、评估和发布版本

Avala 是面向 Physical AGI 的 Fleet Learning Infrastructure。每个机群都应该从自己的经验中学习。Avala 位于您模型之下的基础设施层。模型由您训练，归您所有。Avala 运行围绕模型的循环：评估、失败诊断、采集、验证和发布。

本节介绍机群学习计划。内容包括这个循环、Avala 保存的记录、Avala 交付的数据模式以及您收到的报告。

## 循环

每个周期从您的机群在真实世界中的行为开始，到一个可用于训练的发布版本结束。

**1. 观察**

您的机器人运行。运行记录、干预和失败以机群录制和事件的形式流入 Avala。参见[失败数据接入](/docs/zh/fleet-learning/failure-ingestion.md)。

**2. 诊断**

Avala 对运行记录进行分段，把失败聚类为失败分类体系，并撰写差距报告。

**3. 评估**

Avala 在留出的真实世界评估场景上为您当前的模型版本打分。参见[评估](/docs/zh/fleet-learning/evaluation.md)。

**4. 采集**

Avala 采集差距报告所要求的数据。每个批次针对特定的[覆盖单元](/docs/zh/fleet-learning/coverage.md)，并且只计入[验收小时](/docs/zh/fleet-learning/accepted-hour.md)。

**5. 训练**

您在发布版本上训练模型。训练在您这一侧进行。

**6. 验证**

Avala 在同一组留出场景上重新评估新的模型版本，并按失败模式报告变化。

**7. 发布**

Avala 发布一个带版本号、权利已清理的数据集版本，附带[序列元数据](/docs/zh/fleet-learning/sequence-metadata.md)和[训练导出](/docs/zh/fleet-learning/exports.md)。

**8. 观察**

新模型回到您的机群。它的运行记录开启下一个周期。

## 分工

| 步骤 | 您 | Avala |
| - | - | - |
| 观察 | 运行机群。发送运行记录、日志和干预。 | 接入录制和事件。检查传感器完整性。 |
| 诊断 | 审阅差距报告。设定优先级。 | 对运行记录分段，聚类失败，撰写差距报告。 |
| 评估 | 提供模型版本，或提供在评估场景上的运行记录。 | 维护留出场景，为运行打分，报告指标。 |
| 采集 | 批准简报。 | 设计采集活动，进行采集、审核并验收序列。 |
| 训练 | 训练并拥有模型。 | 以您的训练栈能读取的格式交付发布版本。 |
| 验证 | 运行新的模型版本。 | 重新评估并报告能力变化。 |
| 发布 | 决定向机群发布什么。 | 为数据集定版本，记录来源和同意，发布版本。 |

模型学什么、何时上线，由您决定。Avala 为每个决定提供证据和数据。

## 合作如何进行

每次合作都遵循相同的五个步骤。每一步都会产出一个您可以查看的成果物。

1. **失败。** 您发送模型失败或需要帮助的运行记录。Avala 以机群录制和事件的形式读取它们。
2. **差距报告。** Avala 按失败模式对失败分组，并列出缺失或稀薄的覆盖单元。
3. **简报。** Avala 把差距报告转化为采集简报。简报列出目标覆盖单元、集中度上限、验收标准和评估组。由您批准。
4. **批次。** Avala 采集并审核该批次。每次交付都附带[覆盖报告](/docs/zh/fleet-learning/coverage.md)和每个序列的元数据。
5. **重新评估。** Avala 在留出场景上为您的下一个模型版本打分。[能力报告](/docs/zh/fleet-learning/evaluation.md)展示变化内容，并设定下一次分配。

差距报告、简报和能力报告在计划中交付。您可以通过 SDK 和 MCP 服务器读取它们背后的对象，例如机群录制、采集活动、数据集和切片。

Avala 把每个周期记录为一个[能力实验](/docs/zh/fleet-learning/capability-experiments.md)。该记录关联模型版本、失败、数据和结果。

## 本节内容

> **[能力实验](/docs/zh/fleet-learning/capability-experiments.md)**
>
> 把一次失败与为其采集的数据以及测得的结果关联起来的记录。

> **[序列元数据模式](/docs/zh/fleet-learning/sequence-metadata.md)**
>
> 每个序列上的结果标签、技术有效性的报告方式，以及如何读取和导出两者。

> **[验收小时](/docs/zh/fleet-learning/accepted-hour.md)**
>
> Avala 交付的计量单位，以及 Avala 报告的拒收原因。

> **[覆盖](/docs/zh/fleet-learning/coverage.md)**
>
> 覆盖单元、集中度上限、重叠检查和覆盖报告。

> **[评估](/docs/zh/fleet-learning/evaluation.md)**
>
> 留出场景、打分、指标和能力报告。

> **[失败数据接入](/docs/zh/fleet-learning/failure-ingestion.md)**
>
> 通过 SDK、CLI 和 MCP 服务器发送运行记录和失败。

> **[导出](/docs/zh/fleet-learning/exports.md)**
>
> LeRobot 导入和导出，以及每个发布版本包含的内容。