RespuestasPublicado19 fuentes
Being-M0.7 combina pasos y agarres en robots humanoides
Being M0.7 aprende primero patrones de vídeo y movimiento humano y luego los adapta a un robot para coordinar desplazamiento y manipulación de objetos.[1][14] El entrenamiento se divide en tres etapas: preentrenamiento con datos humanos, adaptación con trayectorias del robot y ajuste de un experto que produce comand...
Publicado porEditado con GPT-6 LunaImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- Being M0.7 aprende primero patrones de vídeo y movimiento humano y luego los adapta a un robot para coordinar desplazamiento y manipulación de objetos.[1][14]
- El entrenamiento se divide en tres etapas: preentrenamiento con datos humanos, adaptación con trayectorias del robot y ajuste de un experto que produce comandos de cuerpo completo.[1][7]
- En SIMPLE obtuvo 128 aciertos de 180 intentos (71,1 %). En pruebas con un Unitree G1, la fuente consultada informa que igualó al modelo de referencia más sólido, con solo cinco intentos por tarea.[6][5]
Prompt de IA
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
Being-M0.7 es un modelo de «mundo-acción» de BeingBeyond diseñado para la locomoción y manipulación de cuerpo completo: que un humanoide pueda caminar mientras alcanza, recoge o mueve objetos, en lugar de resolver la marcha y el uso de las manos como habilidades separadas.1
6
La idea central es aprender primero cómo cambian las escenas y cómo se mueve un cuerpo a partir de más de 10.000 horas de datos humanos. Después, el modelo se adapta a un robot concreto para convertir ese conocimiento en instrucciones ejecutables.1
14 La cobertura del 12 de octubre de 2026 presentó el modelo, aunque otras fuentes sitúan su lanzamiento en julio de ese año.
4
16
De los datos humanos al control del robot
Las demostraciones robóticas pueden ser difíciles de reunir a gran escala. Los datos humanos ofrecen una fuente amplia de ejemplos, pero no vienen todos en el mismo formato: algunos contienen vídeo y movimiento emparejados, otros solo vídeo o solo secuencias de movimiento. Además, los movimientos de una persona no se pueden traducir directamente a las órdenes de un robot, cuyo cuerpo y dinámica son distintos.5
14
Being-M0.7 aborda esa diferencia en tres etapas:
- Preentrenamiento con datos humanos. Una arquitectura de tipo Mixture of Transformers aprende representaciones compartidas de vídeo y movimiento, y predice tanto estados visuales futuros como movimiento corporal. La meta es formar una especie de prior predictivo sobre cómo evolucionan una escena y un cuerpo.
1
8
- Adaptación al robot. Las trayectorias robóticas ajustan ese conocimiento a la perspectiva de sus cámaras, su configuración corporal y su dinámica.
7
- Experto de acción. Un módulo separado aprende a convertir el contexto visual futuro del modelo —cuyas representaciones se mantienen congeladas durante esta etapa— en comandos de cuerpo completo que el robot pueda ejecutar.
El corpus combina tres tipos de supervisión: pares de vídeo egocéntrico y movimiento, vídeos sin movimiento asociado y secuencias de movimiento sin vídeo. Los ejemplos emparejados permiten entrenar ambas modalidades conjuntamente; los datos no emparejados amplían la cobertura disponible.14 Entre las fuentes mencionadas figuran conjuntos públicos como Ego4D, Xperience, Nymeria, Bones-SEED, SnapMoGen, HumanML3D y Lafan1, además de datos de trabajos anteriores de BeingBeyond y fuentes comerciales.
1
La documentación también describe el uso de características visuales DINO congeladas y una representación compacta de movimiento de 22 dimensiones, con referencia en la cabeza y la raíz del cuerpo.4
12 El modelo trabaja así con representaciones visuales y de movimiento, en vez de limitarse a reproducir píxeles de vídeo.
Qué resultados obtuvo
En el banco de pruebas de simulación SIMPLE, que incluye seis tareas de humanoides en tres niveles de dificultad, Being-M0.7 consiguió 128 éxitos en 180 intentos, un 71,1 %, la tasa agregada más alta entre los modelos comparados.6
8 Las cifras reportadas para Ψ0, π0.5 y GR00T-N1.6 fueron, respectivamente, 64,4 %, 52,8 % y 33,9 %.
6
La ventaja general no significa que el modelo ganara en cada tarea individual. La comparación también muestra que algunos modelos de referencia superaron a Being-M0.7 en tareas concretas.6 Además, en una ablación sin el preentrenamiento con datos humanos, el resultado de Being-M0.7 bajó al 48,9 %, lo que apunta a la importancia de esa etapa en la evaluación reportada.
6
En pruebas con un Unitree G1 en el mundo real, se evaluaron tres tareas de locomoción y manipulación, con cinco intentos por tarea. La información disponible indica que Being-M0.7 igualó al modelo de referencia más sólido; no permite describir ese resultado como una victoria clara.5
1 Con tan pocos intentos, las cifras tampoco bastan para concluir que el rendimiento será igual de fiable en una variedad amplia de entornos.
Qué falta por demostrar
Las pruebas cubren tareas de alcance limitado: no demuestran por sí solas un funcionamiento fiable durante secuencias largas, con muchos pasos o ante errores que se van acumulando. La fuente consultada señala que las tareas de mayor duración siguen siendo un reto por evaluar.5
También hay un límite relacionado con la recolección de demostraciones. Según la información disponible, la precisión de seguimiento de cuerpo completo del controlador SONIC dificultó registrar movimientos del robot con fidelidad, lo que afecta la cantidad y la calidad de los datos disponibles para entrenar.5 Es una limitación del proceso de control y recopilación de datos, no una medida directa de la precisión del modelo Being-M0.7.
En suma, Being-M0.7 explora una estrategia prometedora: aprender patrones generales de percepción y movimiento con datos humanos y adaptar después ese conocimiento al cuerpo de un humanoide. Sus resultados en simulación son sólidos, pero las pruebas reales y de larga duración todavía son demasiado acotadas para establecer su fiabilidad en condiciones más amplias.
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "Being-M0.7 combina pasos y agarres en robots humanoides"?
Being M0.7 aprende primero patrones de vídeo y movimiento humano y luego los adapta a un robot para coordinar desplazamiento y manipulación de objetos.[1][14]
¿Cuáles son los puntos clave a validar primero?
Being M0.7 aprende primero patrones de vídeo y movimiento humano y luego los adapta a un robot para coordinar desplazamiento y manipulación de objetos.[1][14] El entrenamiento se divide en tres etapas: preentrenamiento con datos humanos, adaptación con trayectorias del robot y ajuste de un experto que produce comandos de cuerpo completo.[1][7]
¿Qué debo hacer a continuación en la práctica?
En SIMPLE obtuvo 128 aciertos de 180 intentos (71,1 %). En pruebas con un Unitree G1, la fuente consultada informa que igualó al modelo de referencia más sólido, con solo cinco intentos por tarea.[6][5]
Fuentes
tech-momentum.comBeingBeyond, 사람 영상 1만 시간으로 휴머노이드 걷기·집기 학습
research.beingbeyond.comBeing-M0.7: A Latent World-Action Model for Humanoid Robots
elites.zoneBeingBeyond Launches Being-M0.7 Model for Humanoid Robots