# 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」。
### TLDR
- **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。
### SRC
事实来自动点科技 **2026-10-26 20:12** 的报道（https://cn.technode.com/post/2026-10-26/alibaba-lambda0-humanoid-model-human-motion-data/ ），文中标注发布方为高德与阿里巴巴 Token Hub 事业群，项目页面为 lambdahumanoid.github.io。**素材时间窗**按本批规定为**前一日 18:00 → 当日 09:00**（2026-10-26 18:00 → 2026-10-27 09:00），该稿 20:12 发布，落在窗口内。**核查方式**：中文报道为单一信源直接转述发布方材料，本号未取得论文原文与项目页 PDF，因此论文标题、作者列表、基线方法名称与测试环境设置均**未获独立核实**；62.5% 与 22.5 个百分点两个数字按报道口径引用。**不确定边界**：①「四类真实场景任务、40 次尝试」的样本划分方式（每类 10 次？还是合计 40 次）报道未说明，若是合计 40 次，则二项分布下 25/40 的 95% 置信区间大致落在 46%–77%，「领先 22.5 个百分点」的稳健性有限；②对照方法具体是哪几种、对照最高成绩是多少，报道未给；③HumanVerse 的 500 小时是否含多人、多场地、多机型适配，未说明；④「部分样本数据」的开源比例与许可协议未披露；⑤未披露模型参数量、推理硬件与实时性指标。与本站既有稿件的差异：站内 10-25 云深处篇写的是 DR-VLA-2.0 用「无动作标签人类视频预训练 + 机器人示教适配」做四足导航，10-25 Figure 篇写的是 3750 万条人类视频的供给规模；本篇只写**高德这一次的模型、数据集与开源边界**，并把三者放进同一张量级对照表，不重复前述技术细节。文中判断为作者观点，已用「判断：」标注；文末版权与免责声明由模板自动附加。
### BODY
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。
先看它自己报的三个数
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。
对照值按「62.5% 减 22.5 个百分点」反推，报道未直接给出该数。样本为四类真实场景任务合计 40 次尝试，其中成功 25 次。
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。
真正的新东西不是模型，是那套被开源出来的采集硬件
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。
判断：高德这次最有价值的交付物，是把「数据采集」从各家自建的隐性成本，变成了一个可以照抄的公开配置。这意味着两件事：一是后续同一路线的团队会快速拉平采集质量差距，模型侧的差异化会被压缩；二是竞争会转到「谁来组织人干活并把过程拍下来」这一层——这已经是运营问题，不是算法问题。Figure 的 Index 平台付钱让人拍自己做家务，本质上卖的是同一个东西：真实人类动作的供给。
500 小时在行业里是什么量级
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 |
|---|
表注：三家口径分别来自各自公开材料，单位与统计方法均不相同，仅作量级参照，不可直接相加或换算。采集日期 2026-10-27。
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」。
为什么是高德来做这件事
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。
判断：λ0 更像是阿里体系在具身赛道上的一次「卡位」，而不是一次性能宣言。62.5% 放到全行业不算领先——真机示范路线的头部玩家在同一量级任务上普遍报得更高，只是口径各不相同，无法直接比。它真正卡住的位置是「人类视频 → 机器人动作」这条转接带上游：如果采集硬件配置成为事实标准，后面所有走这条路的团队都在替它验证格式。反过来说，如果三个月内没有第二家跟进采用这套配置，那这次开源更接近一次公关动作。这个判断可以用一个很简单的指标检验：看有没有团队在论文里直接引用它的数据格式。
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。
来源：动点科技 2026-10-26 20:12 https://cn.technode.com/post/2026-10-26/alibaba-lambda0-humanoid-model-human-motion-data/ ；项目页 lambdahumanoid.github.io。对照数据分别来自 Figure 与云深处公开材料。素材时间窗 2026-10-26 18:00 → 2026-10-27 09:00。
---
*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/amap-lambda0-humanverse-500-hours-62-5/*