ZIWU AI
EVIDENCE-FIRST · CLOUD GPU SIMULATION EVALUATION & DIAGNOSTICS

ZIWU 文档

ZIWU 当前展示的是 GPU 仿真评测与运行诊断:它把一次具身策略运行从「一段视频 + 一个 success 布尔值」,变成规范任务图上可回放、可定位、可追溯的执行证据。已验证能力、局部验证能力与规划项在文档中分别标注。

QUICKSTART

快速开始

三条路径:在浏览器复核录制证据、在本地分析已有产物、了解生产版 GPU 原生评测流程。

路径 A · 不装任何东西:在浏览器复核一条#

打开 任务图数字孪生,先选一条 Episode trajectory,再通过任务图、三路视频、锚点和原生终局交叉复核。评审副本不要求口令,也不会触发生产 GPU。

生产版启动后,流水线阶段按进度逐个出现;Isaac Sim 启动后推送头部相机的仿真实时帧;双臂末端轨迹每 50 个 policy tick 长出一个点;物理侧写持续返回。评审副本不连接生产触发服务,只保留录制证据回放。

路径 B · 本地分析已有产物#

分析层不需要 GPU,也不需要 Isaac Sim。Python 3.10+:

: <<'PUBLIC_REPOSITORY_PENDING'
# 公开源码仓库尚未上线;以下流程只说明预期用法,当前不会执行。
git clone https://example.invalid/anchor.git
cd anchor
python -m venv .venv
source .venv/bin/activate
python -m pip install .

anchor --version
anchor adapters
anchor catalog list

anchor evaluate examples/demo.anchor.jsonl \
  --adapter canonical \
  --output artifacts/demo.html \
  --json-output artifacts/demo.json
PUBLIC_REPOSITORY_PENDING

打开 artifacts/demo.html 即可看到四个示例家族(Terminal-Bench 2.1、Terminal-Bench 3、RoboDojo、DreamDojo)的证据页。要分析你自己的产物:

# Harbor / Terminal-Bench 作业目录
anchor evaluate /path/to/harbor/jobs/job-id --adapter harbor

# RoboDojo 仓库或 eval_result 子树
anchor inspect  /path/to/RoboDojo            --adapter robodojo
anchor evaluate /path/to/RoboDojo/eval_result --adapter robodojo

# DreamDojo 数据集 + 推理树
anchor evaluate /path/to/dreamdojo-eval --adapter dreamdojo

路径 C · 在自己的 GPU 上跑一次原生评测#

原生执行需要一份已初始化的 RoboDojo 检出、一个策略环境,以及一个会记录任务 / 策略 / seed / 上游 run id 的 policy-tick trace producer。先跑 doctor——它是非侵入的就绪检查:不会启动评测、不会写入检出,但会执行启动器的 --help 与短时的运行时 / 图形探测。

anchor doctor robodojo \
  --task fill_pen_holder \
  --robodojo-root /path/to/RoboDojo \
  --policy-dir  /path/to/RoboDojo/XPolicyLab/policy/POLICY \
  --checkpoint  CHECKPOINT \
  --policy-env  POLICY_ENV \
  --eval-env    /path/to/RoboDojo-env \
  --sim-python  /path/to/RoboDojo-env/bin/python

anchor run robodojo/fill_pen_holder \
  --episodes 1 \
  --bundle-dir runs/fill-pen-holder-001 \
  --robodojo-root /path/to/RoboDojo \
  --policy-dir  /path/to/RoboDojo/XPolicyLab/policy/POLICY \
  --checkpoint  CHECKPOINT \
  --policy-env  POLICY_ENV \
  --eval-env    /path/to/RoboDojo-env \
  --sim-python  /path/to/RoboDojo-env/bin/python

run 会在预检之前就写出 run-manifest.json;仿真输出在分析之前被快照到 raw/;规范化的 anchor-trace-v1 副本写入 analysis/;报告路径都是 bundle 相对路径。运行结束后,把 bundle 目录交给路径 B 的 anchor evaluate 即可离线复现全部分析。

文档修订 · 2026-08-26 · 文档源码位于 app/documents/;公开仓库链接待上线。