研究解读 · 神机百见-具身解读
一万小时人类视频，换来一个「平手」：Being-M0.7 的成绩单里，最该看的是那句并列
仿真是 71.1%，第二名 64.4%；真机是 86.7%，最强基线也是 86.7%。前一组数字可以写进标题，后一组数字才是这条技术路线当前的真实水位。
本篇目录4 节 · 8
一分钟速览
- 主体：北京大学副教授卢宗青创办的具身智能公司 BeingBeyond（智在无界）的 Being-M0.7——一个让人形机器人边走边操作的隐式世界-动作模型（Latent World-Action Model）。
- 数据规模：预训练使用超过 10000 小时人类第一视角原始视频与动作数据；语料混合了「只有视频」「只有动作」与「两者都有」三类素材，来源包含 Ego4D、Nymeria、HumanML3D 等公开集。
- 三段式训练：预训练（把视频与动作映射到共享空间，联合预测未来视觉状态与身体动作）→ 中间训练（把先验适配到机器人相机视角与本体）→ 后训练（新增独立动作专家，读取冻结先验的预测并输出全身指令）。模型工作在冻结的 DINO 图像特征上，不预测像素。
- 仿真成绩：SIMPLE 基准（六个人形任务 × 三个难度）180 次尝试成功 128 次 = 71.1%，为所测基线中最高；对照 Ψ0 64.4%、π0.5 52.8%、GR00T-N1.6 33.9%。
- 消融结果：去掉人类数据预训练后，分数掉到 48.9%——这是全文最有分量的一行。
- 真机成绩：宇树 G1 + 灵巧手，三个「边走边抓」任务 15 次尝试成功 13 次 = 86.7%，与最强基线 GR00T-N1.6 并列相同（π0.5 为 7/15，Ψ0 为 3/15）。真机是平手，不是领先。
数据来源与边界
素材时间窗为
当日 09:00 → 19:00（北京时间 2026-10-12）。核查与边界如下，其中
时间归属需要重点说明：① 模型
首发时间为 2026-07-15（百度百科「移动操作」条目记载，RobotToday / leaderobot 的 7 月条目同样记载为 7 月 15 日）——
这不是今日新事件；② 承载全部评测数据的
arXiv 预印本上传于 2026-10-08，尚未经过同行评议；③ 本篇采用的
窗口内新增量是：Pandaily 于
2026-10-12 10:06（北京时间）发布的系统性英文报道（URL 见 frontmatter），首次把仿真与真机的完整对照分数、消融结果与团队自陈局限整理公开，并有 allatra.media 同日报道独立核引 arXiv 预印本（明确写出「14 位作者」「未同行评议」「真机结果为追平而非超过」）。按扩窗规则第一条「窗口外旧事件 + 本窗口内出现的新增量」处理。其余不确定项：④ 全部成绩数字
均由作者团队自报，预印本未经同行评议，
无第三方复现；⑤ 仿真基准 SIMPLE 的
任务定义、成功判定标准、采样策略未在本号可见的材料中完整给出，跨模型比较需谨慎；⑥ 对照模型 Ψ0、π0.5、GR00T-N1.6 的分数为
同一预印本内引用，非各自原论文口径的独立核对；⑦ 预印本自陈两项局限——
只测短时程任务、
采集演示所用全身控制器的跟踪精度构成了真机数据精度的上限，本号照录不作引申。判断均以「判断：」标注。
与站内存稿的差异：本站 385 号稿（世界模型缩放定律 vs 物理基准）写的是
世界模型的可预测性与可对标性两条腿，386 号稿写的是星动纪元 VPP2 在 RoboDojo 的成绩单；本篇的落点是
「用人类数据替代真机数据」这条具体路线在仿真与真机两个赛道上表现出的落差，与上述两篇的评估对象与结论均不同。
本文事实信息来自上方标注的公开来源；解读、判断与延伸部分为作者个人见解，写作过程使用了 AI 工具辅助整理，已由作者人工核实，不代表信息来源方立场。如有雷同纯属巧合；如涉及版权或权益问题，请联系 shenjibailian@shenjibailian.com，我们将在核实后及时删除或更正。
1先看那两组分数
71.1% 与 86.7%，但 86.7% 是和别人并列
Being-M0.7 要解决的问题很具体：人形机器人一边走一边操作（全身移动操作，loco-manipulation）这件事，需要的示范数据极其稀缺、极难采集。而人的第一视角视频和动作捕捉数据，遍地都是。
团队的主意就是从这里来的：既然人的数据多，那就从人的数据里学世界先验。
但人的数据很脏——有的片段只有视频，有的只有动作，而且人的动作不能被机器人直接执行。Being-M0.7 的处理方式是三段式：
预训练
把视频与动作映射到一个共享空间，联合预测「未来视觉状态」与「身体动作」。缺失的模态用可学习的占位嵌入处理，**不丢弃样本**。
中间训练
把上面学到的先验适配到机器人自己的相机视角与本体结构上。
后训练
新增一个独立的动作专家模块，读取**冻结**先验的预测，结合实时图像与机器人自身关节位置，输出全身指令。
两个设计细节值得单独拎出来：① 模型不预测像素，而是工作在冻结的 DINO 图像特征上；② 人与机器人共用一套 22 维的、以头部为根的紧凑动作表示。这两条合在一起，才是「人的视频能喂给机器人」的技术前提——不共用表示，人的动作就只是别人的动作。
然后就是那两组分数。
SIMPLE 基准，六个人形任务 × 三个难度，180 次尝试；条形按 71.1% 归一。数据来自作者团队预印本，未同行评议。
仿真成绩里有两个不能省略的注脚：① Ψ0 在其中一项任务上更强，π0.5 在其中两项任务上更强——「总分最高」不等于「每项都最强」；② 这是作者团队自选的基准与自报的分数，预印本未同行评议，本号未见第三方复现。
而真机那组数字是这样的：在宇树 G1 配灵巧手上，三个「边走边抓」任务 15 次尝试成功 13 次 = 86.7%。同一个成绩，最强基线 GR00T-N1.6 也是 86.7%。π0.5 是 7/15，Ψ0 是 3/15。
判断：这条消息真正的价值，是它把「用人类数据预训练」这条路线拆成了两个不同结论的赛道。判断依据：在仿真里，它领先第二名 6.7 个百分点，看起来是一次明确的技术推进；但在真机上，它与最强基线打平。同一篇预印本、同一组对照，在两个赛道上给出两种结论——这种情况下，真机结果应当被当作该路线的当前水位，仿真结果只能被当作潜力上限。把 71.1% 写进标题、把 86.7% 的并列放在正文深处，是这类研究的常见传播方式，但读者的判断应该反过来。
2全文最有分量的那一行
去掉人类数据预训练，掉到 48.9%
如果只挑一条数字来理解这项工作的贡献，应该挑消融结果：
完整模型
保留人类数据预训练：SIMPLE 仿真 71.1%。
去掉人类数据预训练
同一套模型、同一套训练流程：分数掉到 48.9%。
差了 22.2 个百分点。这是全部公开数字里，唯一一条能直接回答「一万小时人类视频到底有没有用」的证据。
它同时也框定了这条路线在被质疑时最需要回答的问题：这 22.2 个百分点，是因为人类数据提供了机器人自己学不到的世界知识，还是仅仅因为数据量大幅增加？
如果答案是「世界知识」
那这条路线的意义远超一个模型——它意味着**具身智能可以绕开真机数据采集的成本陷阱**，从人类已经拍了几十年的视频里取资源。
如果答案是「数据量」
那它只是一个规模化实验结果：等量的人类数据换成等量的其他数据，效果可能相近。**成本优势就没了，只剩数据易得性这一条。**
必须说清的是：本号在可见材料中没有找到区分这两种可能的对照实验——也就是「等量的非人类数据预训练」这一组。这意味着 22.2 个百分点目前只能证明「人类数据预训练有效」，不能证明「人类数据比其他数据更有效」。这两句话看起来很像，但对要不要投入建设人类视频数据管线的决策，结论完全不同。
3团队自己划的两条边界
只测了短时程，而控制器精度卡住了数据精度
预印本主动写出的两项局限，比成绩更值得记录。
边界一
只测了短时程任务。
全身移动操作最难的从来不是单次抓取，而是「走—抓—再走—再放」这种需要连续几十步、误差会累积的任务。短时程能过，不代表长程能过。
边界二
采集演示所用全身控制器的跟踪精度，构成了真机数据精度的上限。
这句话的含义是：模型的水平被数据采集工具的水平锁住了。换更好的控制器，数据才可能更好。
第二项局限特别值得展开。「用采集工具的上限锁住模型的上限」是具身数据领域一个普遍存在的隐性约束，但它很少被写进摘要——因为承认它等于承认：眼下这个分数的瓶颈可能在数据采集端，而不在模型端。
判断：这项研究对行业的实际提示，是「数据采集硬件的精度会直接决定模型分数的天花板」。判断依据：预印本自陈全身控制器跟踪精度是上限来源之一；而全身移动操作恰恰是最依赖「演示数据本身够不够准」的任务类型——机器人的全身姿态、接触点、力的分布任何一项录不准，模型学到的就是一个被噪声包住的动作分布。这也解释了为什么同一路线在不同团队间分数差异大：比的可能不是模型，是采集设备。
4怎么用这条研究
四条可以直接抄走的判断
01 分清「仿真领先」与「真机领先」
评估任何一条具身技术路线时，先找真机数字，找不到就默认只有潜力证据。仿真与真机的落差在这个领域是常态，不是例外。
02 要消融，不要总分
「去掉某个模块掉多少分」比「总分多少」有用一个量级。没有消融的成绩单，只能说明它能跑，不能说明它为什么能跑。
03 短时程任务的价格要打折
看演示视频时区分两类：单次动作（走过去拿起来）与长程序列（连续多步、需要纠错）。前者的成功率不能外推到产线连续作业。
04 把采集设备纳入评估
如果要做同类数据采集，先问采集时的姿态跟踪精度是多少。这是模型分数的隐形上限，也是最容易被跳过的一项规格。
判断：这条研究对本站读者的核心价值，是它给出了一个可以复用的评估姿势——先看真机再看仿真，先看消融再看总分，先看局限再看成绩。判断依据：这篇预印本在三处都做得比同类工作诚实（真机并列照写、消融数据公开、局限主动列出），而恰恰是这份诚实让它的真实水位显形。在具身智能的信息环境里，愿意把「平手」写进结论的团队，其数据比只报「领先」的团队更值得采信。
来源：Pandaily 2026-10-12 报道；arXiv 预印本（2026-10-08 上传，未同行评议），经 allatra.media 2026-10-12 报道核引；模型首发时间据百度百科「移动操作」条目与 RobotToday 7 月条目记载为 2026-07-15。全部成绩数字由作者团队自报，未经第三方复现。转载内容版权归原作者及原出版物所有，本站仅作信息整理与观点标注。抓取时间 2026-10-12 22:40。
