Bittensor SN112 的 THOR 要做机器人训练数据市场

完整中文导读

Bittensor 子网 SN112 的 THOR 正在构建去中心化的机器人训练数据市场，先从自我中心视频的时间动作标注做起。其机制是机器人实验室定义数据需求与质量阈值，矿工竞争产出结构化训练数据，验证者依据质量标准和隐藏参考样本评估提交，Bittensor 排放激励被接受的贡献。作者认为关键指标不是数据量，而是独立产出的数据能否以更低总成本提升下游机器人任务成功率。

中文整理

作者 / 来源：mrbreo (@mrbreo) · 原文时间：2026年10月18日 21:34（北京时间）

原作者信息要点

作者mrbreo称，机器人领域正接近大语言模型经历过的拐点，即大规模预训练阶段；但两者存在根本差异：LLM有互联网文本可用，机器人则缺少物理交互、操作轨迹、接触动力学和失败恢复的等价数据集。

作者因此关注Bittensor上的THORMachines（SN112）。据其描述，THOR正在构建去中心化的机器人训练数据市场，起步方向是以自我中心视频的时间动作标注。

作者概括的架构为：机器人实验室定义数据需求和质量阈值；矿工竞争产出结构化训练数据；验证者依据质量标准及隐藏参考样本评估提交；Bittensor排放激励被接受的贡献；经核验的数据集成为可复用的机器人研究基础设施。

作者认为更大机会在于将该数据市场与视觉-语言-动作（VLA）模型、模仿学习、仿真以及最终真实世界部署连接起来。

作者提出关键指标不是数据集规模，而是独立产出的数据能否以更低总成本提升下游机器人任务成功率；若THOR能证明这一点，Bittensor可能成为物理AI有意义的协调与激励层。

本站整理与观察

本站整理：上述内容为作者mrbreo对THOR/SN112的介绍与判断，其中关于THOR架构、验证机制和激励方式的描述来自作者陈述，材料未提供独立验证或项目文档佐证。

本站观察：作者将机器人数据稀缺与LLM互联网文本充裕作对比，并据此论证去中心化数据市场的必要性，这属于其分析框架，而非已验证结论。

本站观察：作者提出的核心评估标准，即独立数据能否降低总成本并提升下游任务成功率，指向可检验的下游效果；但材料未给出任何实验数据、基准结果或成本数字，无法据此判断THOR当前表现。

本站观察：材料未说明SN112的启动时间、参与规模、已接受数据量或合作实验室情况，相关进展信息不足。

材料仅为单条社交媒体帖文，未附项目文档、链上数据或第三方验证。THOR的架构细节、验证者隐藏参考样本机制及Bittensor排放激励的具体运作均来自作者转述，本站未独立核实。材料未提供任何量化结果，无法评估其数据质量或下游机器人任务成功率。本整理不构成对THOR或SN112的背书。