# 91% 是六个单动作各跑 10 次，串三个动作就掉到 70%：苹果这份人形论文，该读的是分母 > 91% 与仿真里的 91% 齐平，这是零样本迁移的漂亮结果。但同一套系统串三个动作是 70%，失败原因是「钻完桌子朝向不对，箱子不在视野里」——这一句比成功率更值得记。 ### TLDR - **事实**：苹果研究团队 **2026-11-04** 在 arXiv 提交《Perceptive Humanoid Motion from Simulation》（arXiv:2611.06908），系统名 **HALO**（Humanoid Autonomy, Learned in simulation, running Onboard）。载体是一台市售**宇树 G1**，背上绑 Mac mini M4 Pro 跑上层，G1 自带 Jetson Orin NX 跑底层，全部在机上、不联网也能动。 - **数据全合成的**：用 INFINIGEN 程序化生成 **1200 个房间**，1178 个跑通全流程，**1000 个用于训练**、178 个留作仿真评测；房间 3.5–9.5 米、每间 20–80 件家具。最终合成 **162,698 个片段**、约 **300 小时**配对好的视频、语言与全身轨迹。算力为 **250 块 H100 跑 48 小时**。 - **成绩要连分母读**：6 个从没建过图、也没进过训练集的真实房间，6 类单任务各跑 10 次共 **360 次**，平均成功率 **91%**，与仿真里的 91% 齐平。分项：侧身过门 93%、走向指定物体 92%、爬行钻桌 90%、推箱 88%、坐下 85%、弯膝钻桌 100%。 - **串联就露了**：1 个真实环境、3 个序列各 10 次，平均只有 **70%**——过门后走向目标 100%，钻桌后坐下 **60%**，钻桌后走向目标并推箱 **50%**。论文自己给的失败原因很朴素：钻完桌子朝向不对，箱子已经不在视野里。 - **消融才是钱花在哪的答案**：训练场景 1→10→100→1000 个，成功率 **43%→64%→81%→84%**；到 1000 个只剩 3 个百分点的边际收益。而拿掉「实时分块」掉到 **24%**，把流匹配解码器换成回归解码器掉到 **19%**，去掉深度输入只剩本体感知掉到 **74%**。 - **判断：这篇论文真正的方法论贡献不是 91%，是「接缝在训练期解决」。** 把轨迹分块切换时的抖动，从推理时打补丁变成网络的固有属性——这个套路可以迁移到任何分块策略的 VLA，比多造 900 个房间值钱得多。 ### SRC 素材时间窗为**当日 09:00 → 19:00**（2026-11-07 09:00 → 19:00）。主源为苹果研究团队论文《Perceptive Humanoid Motion from Simulation》（arXiv:2611.06908，2026-11-04 提交）与苹果机器学习研究项目页。**时间差说明**：论文提交日为 **11-04**，在窗口外；中文技术拆解由机器人前瞻于 **11-06** 发布、多家渠道于 **11-07 凌晨**转载。本条属「窗口外事件 + 窗口内新增量」——新增量是 **11-07 白天多个中文技术号首次把消融实验数据（43/64/81/84、24%、19%、74%）与串联系列成绩（70%、60%、50%）完整拆开**，此前的中文报道只引用了「91%」一个数字。本文以这批拆解数据为锚。**核查方式与限制**：① 作者**未下载论文原文 PDF**，全部数字来自中文技术拆解稿的转述，属**单一来源的多轮转述**，可能已丢失原文表述精度；② 「6 个房间 × 6 类任务 × 10 次 = 360 次」为本号按报道表述还原的分母，原文是否另有分组未核；③ 消融实验中「成功率 43%→64%→81%→84%」这一组的评测口径（仿真侧还是真机侧）中文稿未明确，本文**不将其与真机 91% 直接并列比较**；④ 「250 块 H100 跑 48 小时」「64 块 B200」「4 块 H100」为报道转述的算力配置，未核对论文附录；⑤ 编排器型号（Qwen3.6-35B-A3B 4 比特量化）、运动生成器与跟踪器的频率（3Hz / 50Hz）均来自中文转述，未与论文对照；⑥ 苹果明确该研究为研究系统，**无对外销售产品与时间表**。**与既有解读的差异**：本站 2026-11-06 写过 PrimeSim 开源（以视频模型当物理引擎的仿真器）与 Open-HumanScale（5 万小时人类视频的边际收益），本篇切的是「仿真合成数据 + 分层频率 + 分块接缝」这一条工程路径，不重复前两篇的数据规模讨论。文中判断均以「判断：」开头，版权与免责声明由模板自动附加。 ### BODY

这条消息在中文圈传播时，留下来的数字通常只有一个：91%。

但 91% 这个数，离开分母就没法用。它是在 6 个房间、6 类单任务、每类跑 10 次、共 360 次试验里得到的平均成功率。任务边界很清楚：走向指定物体、坐下、侧身过门、弯膝钻桌、爬行钻桌、推箱。

换句话说，这是六个单动作的成绩，不是六个任务的成绩。

一、单动作 91%，串起来 70%：差距不在控制，在状态交接
弯膝钻桌
100%
侧身过门
93%
走向指定物体
92%
爬行钻桌
90%
推箱
88%
坐下
85%
六类单任务在 6 个未建图真实房间中各跑 10 次，合计 360 次试验，平均 91%。数据来源：论文转述。

把同样的系统拿去串三个动作，成绩是 70%。拆开来看更有意思：过门后走向目标 100%，说明「先过一个门、再走向某个物体」这种空间连续的组合没问题；但钻桌后坐下 60%，钻桌后走向目标并推箱 50%。

论文给的失败原因不是控制不稳，是视角：钻完桌子之后机身朝向不对，箱子已经不在相机视野里，后面两步就接不上。

判断：这说明瓶颈已经从「运动控制」挪到了「任务链里的状态交接」。单动作靠的是策略本身，串联靠的是「上一步做完之后，我还知不知道自己在哪里、目标在哪个方向」。前者是控制问题，后者是世界模型或记忆的问题。这恰好解释了为什么最近一年行业里「长效记忆」这个词出现得越来越频繁。

也正因为如此，91% 不能当成「能在家里用」的证据，70% 也不能当成「不能用」的判决。它们回答的是两个不同的问题：一个是「这个动作会不会做」，一个是「做完上一个，还记不记得下一个」。

二、三层频率：每 2 秒看一眼，3Hz 出轨迹，50Hz 跟住

HALO 的自主栈是三层，频率差得很开。

层频率干什么输出
编排器约每 2 秒一次现成视觉语言模型，把一句话拆成子任务，指定技能与作用对象子任务序列
运动生成器3Hz冻结的视觉编码器 + DiT 解码器，把第一人称观测映射成全身轨迹5 秒 150 帧、29 个关节角 + 骨盆位姿
跟踪器50Hz强化学习训练，结合参考动作、机载深度、关节状态与 IMU关节位置目标，交给 PD 控制器
表注：频率与输出维度来自中文技术拆解稿转述，未与论文原文逐项核对。编排器采用的是现成模型而非自研，这一点对复现成本影响很大。

三层频率相差 25 倍，意味着中间一定有「跨频率对齐」的问题。3Hz 的轨迹每秒重算三次，但跟踪器 50Hz 在跑——轨迹在换的时候，跟踪器正在跟的是哪一条？

论文的处理方式是在训练阶段就把前 15 帧（0.5 秒）当作干净的 token 固定住，只让模型补后面 135 帧。这样切换时的连续性就变成了网络的固有属性，而不是推理时打的补丁。

这个设计的价值，在消融里体现得最清楚：拿掉「实时分块」，成功率从 84% 掉到 24%。

判断：一个机制拿掉就掉 60 个百分点，说明它不是锦上添花，是整套系统能不能跑的前提。这也是这篇论文最值得抄的一段——它把一个推理时的工程补丁，前置成了训练目标的一部分。任何用分块策略做实时控制的团队，都可以试这一招。

三、消融实验：1000 个房间之后，加房间不值钱了
改动成功率相对基准
训练场景 1 个43%—
训练场景 10 个64%+21
训练场景 100 个81%+38
训练场景 1000 个84%+41
拿掉实时分块机制24%−60
流匹配解码器换回归解码器19%−65
去掉深度输入，只留本体感知74%−10
表注：数据来自中文技术拆解稿转述，该组消融的评测口径（仿真侧或真机侧）原文表述未在中文稿中明确，因此不与真机 91% 并列比较；末三行的基准取 84%（1000 个场景）。

这张表里最该看的是第一段：从 1 个房间到 10 个，加 21 个百分点；从 100 到 1000，只加 3 个点。

判断：程序化生成的场景数，在 100 个左右就进入了收益递减区。这条曲线对做仿真数据的团队是有直接指导意义的——如果你的瓶颈是场景多样性，把 100 个做到 1000 个，可能只换来 3 个点；但如果你的瓶颈是时序一致性，改一个解码器能换来 65 个点。这两件事的性价比差 20 倍以上，而大多数团队会把钱花在前者。

还有一行容易被跳过：去掉深度输入，从 84% 掉到 74%。十个百分点，说明在这个任务集里，几何感知仍然是刚需，纯本体感知不够。这对做低成本方案的人是一个提醒：省掉深度相机，省下的可能不止是硬件成本。

四、算力换人力：这笔账该怎么算，又该怎么误算

论文开篇把痛点摆得很直接：遥操作或穿戴动捕，「至少需要一小时人类时间才能产出一小时数据」。

HALO 的路线反过来：250 块 H100 跑 48 小时，产出约 300 小时配对数据。

250 × 48 = 12,000 GPU·小时，换 300 小时数据。比值是 40 : 1。

判断：这个 40 : 1 不能直接当成「便宜 40 倍」。左边是算力小时，右边是人类小时，两者单价差着数量级；而且合成数据不等于真实数据——91% 是真机测出来的，84% 是场景数消融里的结果，两者不能互换。真正能说的是：这条路径把「数据产能」从人力约束变成了算力约束，而算力是可以买的、可以排队的、可以按需扩容的，人力不行。

这也是为什么苹果强调「研究系统、不对外销售、没有时间表」。这套东西的价值不在产品化，在证明一件方法论：如果一个任务的动作-场景配对可以被程序化生成，那么它就不需要人示范。

边界也很清楚。需要精细力控的装配、需要真实材料形变的抓取、需要人机混行的安全场景——这三类没法靠「生成 1000 个房间」解决，因为它们的难点不在场景多样性，在接触物理。这也是 70% 那个数字出现的位置：不是动作不会做，是做完之后世界变了、而它没跟上。

判断：判断一类任务能不能被合称数据覆盖，只需要问一句——它的失败是「没见过这个房间」，还是「没见过这种接触」。前者可以生成，后者只能去现场。

主要来源：苹果研究团队《Perceptive Humanoid Motion from Simulation》（arXiv:2611.06908，2026-11-04）；机器人前瞻 2026-11-06 中文技术拆解；苹果机器学习研究项目页。
--- *来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/apple-halo-1000-rooms-91-vs-70-chained-tasks/*