500 小时人类视频、40 次试 25 次成：高德 λ0 把「看人干活」的转化率算到了小数点后一位
62.5% 的成功率、比对照高 22.5 个百分点——这组数字本身不算炸裂。真正值得看的是它背后的 500 小时，以及被一起开源的那套采集硬件：人形机器人卡住的地方，已经从算法挪到了「谁来拍这些人干活」。
- 发布：高德与阿里巴巴 Token Hub 事业群联合发布具身智能模型 λ0，用人类活动视频与动作数据训练人形机器人完成走动、搬运与双手操作。
- 数据：自建 HumanVerse 数据集，采集 500 小时真实环境中的人类活动；采集设备同步记录第一人称视频、身体姿态与手部动作，再转成机器人可学的动作数据。
- 成绩：在团队公布的四类真实场景任务中，40 次尝试成功 25 次，成功率 62.5%，比对照方法中的最高成绩高 22.5 个百分点。
- 演示任务：搬箱子、推车、擦桌子、浇花；重点是移动过程中的连续作业，不是单点抓取。
- 开源范围：已公开研究论文、数据采集硬件配置代码与部分样本数据。
- 路线含义：用人类视频替代逐项遥操作采集示范，是把「数据产能」从人力密集改成内容密集的一次尝试。
2026 年做具身模型，绕不开一个选择题：机器人示范数据从哪来。遥操作采一条是一条，贵且慢；人类视频便宜、海量，但和机器人身体的对应关系要重新算。高德这次交的答卷是后者，并且罕见地给了一个可对比的百分数。
500 小时的真实环境人类活动，40 次尝试里成功 25 次，成功率 62.5%，比对照最高成绩高 22.5 个百分点。这三个数是同一套逻辑的上下游：500 小时决定模型见过多少种动作，62.5% 决定这些动作迁到机器人身上还剩多少，22.5 个百分点决定这条路比别的路领先多少。
把这个条形图看仔细一点：领先的绝对幅度是 22.5 个百分点，相对幅度是 56%。对一个「用人类视频替代机器人示范」的路线来说，这个相对提升是能拿去说服人的；但 40 次的样本量意味着，多失败两次少失败两次，结论的文字就得改写。
报道里最容易被跳过的一句是「已公开数据采集硬件配置代码」。这句话的分量比 62.5% 重。
人类视频这条路线，过去两年的瓶颈一直不在模型结构，在采集。要让模型学得动，光是「有人拍了一段干活视频」不够，得同时拿到第一人称画面、身体姿态和手指动作三路对齐的数据。这需要一套事先设计好的硬件——相机怎么戴、手套怎么装、标定怎么做、时间戳怎么同步。谁把这套东西做成能复制的方案，谁就决定了下游所有团队的数据成本。
单看 500 小时没有感觉，横着比才清楚。下表把本周内三条公开路线的数据侧口径并排放，注意单位并不统一——这正是这条赛道现在最难比较的地方。
| 项目 | 数据侧口径 | 折算的难点 |
|---|---|---|
| 高德 λ0 / HumanVerse | 500 小时真实环境人类活动，含第一人称视频 + 身体姿态 + 手部动作 | 小时数可算，但动作种类与场景数未披露 |
| Figure（2026-10 公开） | 3750 万条人类视频作为训练数据来源 | 「条」与「小时」不可直接换算 |
| 云深处 DR-Benchmark | 833.6 小时、3294.7 公里真机运行，约 10 万段导航片段、300 万帧标注 | 真机数据，含失败样本，与人类视频不同源 |
三条路线分别代表三种供给：人类视频（便宜、海量、需重定向）、付费众包采集（可控、需组织）、真机运行回流（最贵、最贴任务）。λ0 站在第一种上，并且明确说这是为了「减少逐项遥操作采集示范的工作」。
做地图的公司手里有两样别人不容易攒的东西：一是空间，二是「在空间里怎么走」的长期数据。λ0 的演示任务里，搬箱子、推车、擦桌子、浇花，共同点是机器人得先移动到位置、再动手，移动与操作是连着的一段，不是两个模块。这恰好是地图公司的长项。
另一层是组织能力。500 小时的真实环境人类活动，不是实验室里摆拍出来的，需要有人在多地、多场景把设备戴上去、把流程跑完、把数据收回来。这类事对一个有地面团队的公司，比重建一个算法团队容易。
还要留一句提醒给自己：62.5% 是四类任务的平均，平均值会掩盖方差。四类里如果有一类是「推车」这种对精度要求低的，它可能拉高了整体；如果有一类是「双手协同浇花」，它可能只有三成。没有分类明细之前，这个数只能当方向，不能当基线。