10000小时人类数据，练出全球首个全身移动操作隐式世界动作模型

2026-07-17 16:05:42 [探索] 来源：艾创先锋资讯网

编辑｜杨文

过去两年，人类人形机器人行业的数据首个世界竞争焦点，正从整机硬件加速向模型能力纵深延伸。练出

整机厂商新品发布密集，全球全身翻跟头、移动隐式跳舞、操作跑马拉松等视频内容轮番刷屏。动作然而，模型在喧嚣背后，人类行业已达成一项关键共识：决定人形机器人能力上限的数据首个世界，不再仅仅是练出关节与电机。能否精准理解环境、全球全身预测动态变化，移动隐式并协调全身完成复杂任务，操作已成为其迈向通用智能的动作核心门槛。

在此背景下，世界模型、VLA（视觉-语言-动作）与人形机器人基础模型，确立了近两年该领域最重要的技术演进方向。

尽管前景广阔，但行业仍面临三道严峻的技术壁垒：

真机演示数据采集成本高昂：采集过程需同步记录第一人称视频、本体感知数据及可执行的全身指令。受限于遥操作难度、安全风险、硬件可得性及环境多样性，短期内难以形成大规模、高质量的数据积累。
像素级视频预测路线效率低下：现有不少世界动作模型沿用像素级视频预测，计算开销巨大，且大量算力消耗在与控制关联微弱的画面细节上。人形机器人快速的自身运动及视角抖动，进一步放大了视觉预测噪声。
上下半身控制割裂：许多现有方案将上肢操作与移动控制分开建模，导致上下半身协调性不足，难以支撑自然流畅的全身协同控制。

针对上述痛点，具身智能公司智在无界（Being Beyond）发布了 Being-M0.7。这是全球首个面向人形机器人全身移动操作的隐式世界动作模型（Latent World-Action Model, Latent WAM），也是业内首次将隐式世界模型能力从桌面灵巧操作成功扩展至全身移动操作的里程碑式成果。

论文链接：https://research.beingbeyond.com/being-m07/being-m07.pdf
项目主页：https://research.beingbeyond.com/being-m07

该模型基于超 10,000小时以人为中心的混合模态数据进行预训练，并通过少量真机演示数据完成本体适配，最终在真实人形机器人上成功完成了多项高难度的全身移动操作任务。

从 Being-H 到 Being-M：一条持续兑现的技术路线

Being-M0.7 的诞生，源于智在无界多年坚持的一条核心技术路线。

作为全球最早押注大规模人类视频训练路线的具身智能企业之一，智在无界同时布局了“通用灵巧操作”与“通用移动灵巧操作”两条模型主线，也是国内首个推出原生具身隐式世界动作模型的团队。

其核心逻辑在于：机器人真机演示数据昂贵且稀缺，难以像互联网文本和视频那样无限扩张。相比之下，人类每天都在以第一人称视角与物理世界交互，海量的人类行为数据中蕴含着关于场景演化、物体动力学与身体协调的丰富先验知识。与其被动等待机器人数据积累，不如让模型先向人类经验学习世界的运行规律，再将这些知识迁移至具体的机器人本体。

今年4月发布的 Being-H0.7，已验证了这一判断在灵巧操作侧的可行性。该模型将训练数据规模扩展至 20万小时人类视频，在6项国际性评测中取得综合排名全球第一（其中4项登顶），并成为首个覆盖跨本体、跨场景、连续动态、流体、柔性物体、物理规律和上下文推理七大关键维度的通用具身世界模型。

Being-M0.7 则是这条隐式世界动作模型路线的最新突破。

如果说 Being-H 系列解决的是“手如何操作世界”，那么 Being-M0.7 回答的则是“整个身体如何在世界中协调移动与作业”。人形机器人的移动灵巧操作（loco-manipulation）要求模型同时决策去哪里、身体如何朝向、手脚如何配合、姿态如何保持稳定。这是一个在时间维度与身体维度上高度耦合的问题，也是通用人形机器人必须跨越的能力关口。

技术架构：隐式空间预测与 MoT 结构

Being-M0.7 采用 Mixture of Transformers（MoT）结构，先在第一人称视频和人体运动数据上进行预训练，随后通过动作专家后训练，在多样化全身操作任务的机器人轨迹数据上完成控制落地。

与依赖像素级视频生成的传统世界模型不同，Being-M0.7 在隐空间（Latent Space）中预测未来环境状态，并将其与紧凑的全身运动表征耦合。

痛点解决：像素级预测不仅计算昂贵，且大量算力浪费在与控制无关的外观细节上；第一人称视角下的剧烈运动与抖动更会导致预测噪声激增。
创新优势：隐空间预测将建模能力聚焦于语义状态、物体布局与场景演化等真正与控制相关的结构特征。这既保留了世界模型预判未来的本质，又大幅降低了计算开销，提升了控制精度。