الإجاباتمنشور19 المصادر
Being-M0.7: تدريب الروبوت على الحركة من أكثر من 10 آلاف ساعة من بيانات البشر
Being M0.7 نموذج حركة وتحكم للروبوتات البشرية، يهدف إلى تنسيق المشي والتعامل مع الأشياء بدلاً من تدريب كل مهارة بمعزل عن الأخرى.[1][4] يتعلم النموذج من أكثر من 10 آلاف ساعة من بيانات بشرية متعددة الأنواع، ثم تكيّفه مسارات الروبوت مع منظور كاميرته وبنيته وحركته.[1][14] حقق 71.1% في محاكاة SIMPLE، لكنه لم يتصدر كل مهم...
نشر بواسطةتم التحرير باستخدام GPT-6 Lunaتم إنشاء الصور باستخدام GPT Image 2
إجابة البحث
الوجبات السريعة الرئيسية
- Being M0.7 نموذج حركة وتحكم للروبوتات البشرية، يهدف إلى تنسيق المشي والتعامل مع الأشياء بدلاً من تدريب كل مهارة بمعزل عن الأخرى.[1][4]
- يتعلم النموذج من أكثر من 10 آلاف ساعة من بيانات بشرية متعددة الأنواع، ثم تكيّفه مسارات الروبوت مع منظور كاميرته وبنيته وحركته.[1][14]
- حقق 71.1% في محاكاة SIMPLE، لكنه لم يتصدر كل مهمة على حدة. وفي اختبارات Unitree G1 الواقعية، تعادل مع أقوى نموذج منافس في مجموعة صغيرة من التجارب.[5][6]
- ما زالت الحاجة قائمة لاختبارات أطول وأكثر تكراراً؛ كما أن دقة متعقّب الحركة المستخدم لجمع العروض الروبوتية تحدّ من جودة بعض البيانات.[5]
موجّه الذكاء الاصطناعي
openai.comCreate a landscape editorial hero image for this Studio Global article: What is BeingBeyond’s Being M0.7, released by the embodied AI startup founded by Peking University tenured associate professor Lu Zongqing a. Article summary: Being M0.7 is BeingBeyond’s latent world action model for humanoid “loco manipulation”—coordinating walking and object manipulation—rather than treating them as separate skills.[1][6] Its central idea is to learn a predi. Topic tags: general web, ai, code, privacy, regulation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts w
يجمع الروبوت البشري بين مهام يصعب فصلها عملياً: عليه أن يخطو ويحافظ على توازنه، بينما يمدّ يده نحو غرض أو يلتقطه. صُمّم Being-M0.7، من شركة BeingBeyond، لتنسيق هذه الحركات ضمن سياسة واحدة، وهو ما يُعرف بالتنقّل والتعامل مع الأشياء أو loco-manipulation.1
4
بدلاً من الاعتماد منذ البداية على تسجيلات حركة الروبوت وحدها، يبدأ النموذج بالتعلّم من أكثر من 10 آلاف ساعة من بيانات البشر، تشمل فيديوهات من منظور الشخص الأول وبيانات حركة. والفكرة هي أن يتعلم كيف تتغير المشاهد وكيف تتحرك الأجساد، ثم يستخدم مسارات الروبوت ليحوّل هذا الفهم إلى أوامر تناسب روبوتاً بعينه.1
14
ثلاث مراحل من بيانات البشر إلى أوامر الروبوت
- التدريب المسبق: يضع النموذج الفيديو والحركة في تمثيل مشترك، ويتعلم توقع حالات بصرية مستقبلية وحركة الجسم. وتُستخدم بيانات مترافقة تجمع الفيديو والحركة إلى جانب بيانات تحتوي على أحدهما فقط؛ ما يتيح الاستفادة من مصادر غير متطابقة في نوع بياناتها.
1
14
- التكييف مع الروبوت: تُستخدم مسارات الروبوت لمواءمة المعرفة السابقة مع منظور كاميرته وبنيته وديناميكيات حركته، إذ لا تنتقل حركة الإنسان مباشرة إلى جسم روبوتي.
5
7
- التدريب على الأفعال: يتعلم خبير أفعال منفصل تحويل السياق البصري المتوقع من النموذج إلى أوامر قابلة للتنفيذ تحرّك الجسم كله.
4
وتشير المواد المتاحة إلى استخدام ميزات بصرية مستخرجة من DINO ومجمّدة، وإلى تمثيل مشترك موجز للحركة البشرية والروبوتية من 22 بُعداً.12 ومن أمثلة مجموعات البيانات المذكورة Ego4D وNymeria وHumanML3D، إلى جانب مصادر أخرى عامة وتجارية وبيانات سابقة للشركة.
1
ما الذي أظهرته الاختبارات؟
في معيار SIMPLE للمحاكاة، الذي يضم ست مهام على ثلاثة مستويات من الصعوبة، حقق Being-M0.7 128 نجاحاً من أصل 180 محاولة (71.1%)، وهي أعلى نتيجة إجمالية بين النماذج المقارنة في التقرير. وبلغت النتائج المقارنة 64.4% لـ Ψ0، و52.8% لـ π0.5، و33.9% لـ GR00T-N1.6. وعند حذف التدريب المسبق على بيانات البشر، انخفضت النتيجة إلى 48.9%.6
لكن التفوق الإجمالي لا يعني أن النموذج كان الأفضل في كل مهمة منفردة؛ فقد تقدمت بعض النماذج المنافسة في مهام بعينها.6 كما أشار التقرير إلى أن النموذج الكامل تحسن في مهمتي XMovePick وBendPick مقارنة بنسخة تعتمد على السياق اللغوي وحده، لكنه تراجع في XMoveBendPick. وطرح الباحثون احتمال أن يكون ذلك مرتبطاً بتداخل المهام المتشابهة في المشاهد البصرية، لا باعتباره تفسيراً محسومًا.
5
أما على روبوت Unitree G1 في العالم الحقيقي، فشملت الاختبارات ثلاث مهام تنقّل وتفاعل، مع خمس محاولات لكل مهمة. ووفق المواد المتاحة، تعادل النموذج مع أقوى منافس في هذا التقييم؛ لذا لا يصح وصف النتيجة بأنها فوز منفرد أو دليل واسع على موثوقية الأداء في ظروف مختلفة.5
ما الذي لا تثبته النتائج بعد؟
عدد المحاولات الواقعية محدود، كما أن التقييمات الموصوفة لا تكفي للحكم على أداء النموذج في مهام طويلة ومتعددة الخطوات أو على قدرته على التعافي من الأخطاء المتراكمة. ويذكر التقرير أيضاً أن دقة تتبّع الأطراف في نظام التحكم المستخدم لجمع العروض الروبوتية كانت محدودة، ما صعّب جمع بيانات تدريب مناسبة. وهذه مشكلة في منظومة التحكم وجمع البيانات، وليست حكماً مباشراً على أداء النموذج وحده.5
ويجدر التمييز بين تاريخ التغطية وتاريخ الإطلاق: تناولت تغطية الخبر النموذج في 12 أكتوبر 2026، بينما تشير صفحة BeingBeyond البحثية إلى أن Being-M0.7 نُشر في يوليو 2026.12
16 وتعرّف المصادر لو زونغتشينغ بأنه مؤسس BeingBeyond وأستاذ مشارك في جامعة بكين.
3
4
Studio Global AI
مواصلة البحث الخاص بك
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
يسأل الناس أيضا
ما هي الإجابة المختصرة على "Being-M0.7: تدريب الروبوت على الحركة من أكثر من 10 آلاف ساعة من بيانات البشر"؟
Being M0.7 نموذج حركة وتحكم للروبوتات البشرية، يهدف إلى تنسيق المشي والتعامل مع الأشياء بدلاً من تدريب كل مهارة بمعزل عن الأخرى.[1][4]
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
Being M0.7 نموذج حركة وتحكم للروبوتات البشرية، يهدف إلى تنسيق المشي والتعامل مع الأشياء بدلاً من تدريب كل مهارة بمعزل عن الأخرى.[1][4] يتعلم النموذج من أكثر من 10 آلاف ساعة من بيانات بشرية متعددة الأنواع، ثم تكيّفه مسارات الروبوت مع منظور كاميرته وبنيته وحركته.[1][14]
ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟
حقق 71.1% في محاكاة SIMPLE، لكنه لم يتصدر كل مهمة على حدة. وفي اختبارات Unitree G1 الواقعية، تعادل مع أقوى نموذج منافس في مجموعة صغيرة من التجارب.[5][6]