智元刚开源的 RL 数据集，我用 RDA 审了一遍

上周五还在说“数据质量检查没有趁手工具”的话，这周一智元就开源了 AGIBOT WORLD 2026 第三期——真机强化学习数据集。这是我等的机会：拿一个第三方真实数据集，实测一下 RDA 到底能不能用。

核心结论：RDA 报警与智元的「人工接管」标记对上了

真机包里有一列 intervened——智元官方标注的“人工接管”逐帧标记。这给了个难得的机会：RDA 报出来的动作跳变点，是不是真在标记什么？

我把全部 1,712 个跳变点和接管标记做了对齐：

• 落在接管切换边界 ±1 帧内的有 226 个（13.2%）

• 随机基线只有 4.3%

• 总体约 3.1 倍富集（分集 1.6~5.2 倍）

这意味着：大部分跳变是遥操作员“手快”的正常动作（所以 RDA 把它们标成 REVIEW，不确认是坏数据——这个分寸是对的），但在人工接管的切换瞬间，跳变密度明显聚集。RDA 报警的地方，确实有真实的事件在发生。 对一个质量审计工具来说，这是比“跑通了”更硬的验证。

判定分布：0 条 EXCLUDE / 0 条 FAIL

仿真 5 个任务 + 真机最小包，合计 1,112 集，判定结果如下：

31 条 PASS 全部来自仿真任务——verdict 分层在真实工作，不是一刀切全 REVIEW。

实测覆盖了哪些数据

不想只拿一个小样例糊弄，我把仿真数据全部 5 个任务都跑了一遍，外加一个真机 RL 包（全库最小的那个，3.57GB——其他真机包单个 17~50GB，硬盘实在装不下）：

数据工程实测过关

• 4,448 项完整性检查（缺失帧 / 非法值 / 格式一致性 / 时间戳），0 项失败

• 30 fps 恒定帧率，时间戳很干净

• 抽样 6 处 info.json，全为 LeRobot v2.1

结论：智元的数据工程是过关的。这套数据拿去训练前不需要清洗，但 REVIEW 里的内容值得人工抽看。

怎么跑（自己验证只需三步）

```bash
pip install robot-data-audit
rda audit ./你的数据集目录
rda recommend ./你的数据集目录 –offline # 断网也能出处理建议
```

报告是逐集明细 + 总体判定，JSON 输出可以直接进你自己的流水线。

边界说清楚

• 已实测：仿真 5/5 任务全量（约 500MB），真机 1/50 包（2%）

• 未实测：真机 49 个包（17-50GB/个，全量约 3.9TB）、ImitationLearning 4.4TB、RichInteraction 2.3TB

• 结论外推依据：全库统一 LeRobot v2.1 格式，数据管线同源

• 审计不读视频文件，所以 videos 卷不用下载

审计明细报告（6 份 JSON）都在我手里，谁要复核随时给。

RDA（Robot Data Audit）是我维护的开源工具，PyPI 搜 robot-data-audit，GitHub: liesliy/rda。不吹替代人工，只把人眼翻 1,000 集变成几分钟。