JawabanDipublikasikan19 sumber
Being-M0.7: Model Humanoid yang Belajar Bergerak dari 10.000 Jam Data Manusia
Being M0.7 mempelajari pola hubungan antara tampilan lingkungan dan gerak tubuh manusia sebelum disesuaikan untuk kendali robot.[1][8] Pelatihannya berlangsung dalam tiga tahap: prapelatihan dari data manusia, adaptasi menggunakan lintasan robot, lalu pelatihan pakar aksi untuk menghasilkan perintah seluruh tubuh.[7...
Diterbitkan olehDiedit dengan GPT-6 LunaGambar dibuat dengan GPT Image 2
Jawaban penelitian
Poin-poin penting
- Being M0.7 mempelajari pola hubungan antara tampilan lingkungan dan gerak tubuh manusia sebelum disesuaikan untuk kendali robot.[1][8]
- Pelatihannya berlangsung dalam tiga tahap: prapelatihan dari data manusia, adaptasi menggunakan lintasan robot, lalu pelatihan pakar aksi untuk menghasilkan perintah seluruh tubuh.[7][8]
- Dalam simulasi SIMPLE, model mencatat 128 keberhasilan dari 180 percobaan atau 71,1%; pengujian Unitree G1 melibatkan tiga tugas dengan lima percobaan per tugas.[6][5]
AI Perintah
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 adalah model latent world-action dari BeingBeyond yang dirancang agar robot humanoid dapat melakukan loco-manipulation: bergerak sambil menangani benda, bukan mengerjakan dua kemampuan itu secara terpisah.1
6 Model ini terlebih dahulu belajar dari lebih dari 10.000 jam data mentah berupa video sudut pandang orang pertama dan gerak manusia. Setelah itu, lintasan robot digunakan untuk menyesuaikan pengetahuan tersebut menjadi kendali yang dapat dijalankan robot.
1
8
BeingBeyond didirikan oleh Lu Zongqing, dosen madya di Universitas Peking.6 Meski sejumlah pemberitaan membahas model ini pada 12 Oktober 2026, sumber lain mencatat peluncurannya pada Juli 2026.
4
16
Mengapa belajar dari data manusia?
Data demonstrasi robot dapat membantu melatih kendali, tetapi penggunaannya terbatas karena perlu dikumpulkan menggunakan robot dan sistem kendali tertentu. Data manusia menawarkan sumber pengalaman yang lebih luas, tetapi tidak bisa langsung dipakai sebagai perintah robot: sebagian rekaman hanya berisi video, sebagian hanya gerak, dan tubuh manusia berbeda dari tubuh robot.5
7
Being-M0.7 memisahkan dua pekerjaan: belajar memperkirakan bagaimana lingkungan dan tubuh bergerak, lalu belajar bagaimana robot tertentu harus bertindak. Pendekatan ini membantu memanfaatkan contoh video dan gerak manusia tanpa sekadar menyalin gerakan manusia ke robot.1
7
Tiga tahap menuju kendali robot
- Prapelatihan dari data manusia. Arsitektur Mixture of Transformers memetakan video dan gerak ke ruang representasi bersama. Model kemudian memprediksi keadaan visual pada masa berikutnya sekaligus gerak tubuh, sehingga membentuk pola prediksi yang berpusat pada gerak manusia.
1
8
- Adaptasi dengan lintasan robot. Data lintasan robot digunakan untuk menyesuaikan pengetahuan awal itu dengan sudut pandang kamera, konfigurasi tubuh, dan dinamika robot.
7
- Pelatihan pakar aksi. Pakar aksi terpisah memanfaatkan konteks visual prediksi dari model yang dibekukan untuk menghasilkan perintah kendali seluruh tubuh yang dapat dijalankan.
Korpus prapelatihan mencakup tiga jenis data: pasangan video sudut pandang orang pertama dan gerak, video saja, serta urutan gerak saja. Pasangan data memberi pengawasan gabungan, sedangkan data yang hanya memiliki satu modalitas memperluas cakupan pelatihan.14 Sumber yang disebut mencakup Ego4D, Xperience, Nymeria, Bones-SEED, SnapMoGen, HumanML3D, dan Lafan1, serta sebagian data dari model BeingBeyond sebelumnya dan sumber komersial.
1
Sejumlah keterangan teknis juga menyebut fitur gambar DINO yang dibekukan dan representasi gerak bersama 22 dimensi yang berpatokan pada kepala.4
12 Namun, sumber yang tersedia tidak cukup menjelaskan definisi seluruh dimensi tersebut atau cara model menangani modalitas yang hilang melalui placeholder yang dapat dipelajari. Karena itu, rincian implementasi tersebut perlu dibaca dengan hati-hati.
Hasil: unggul secara agregat di simulasi
Pada tolok ukur simulasi SIMPLE, yang mencakup enam tugas humanoid pada tiga tingkat kesulitan, Being-M0.7 meraih 128 keberhasilan dari 180 percobaan, atau 71,1%—hasil agregat tertinggi di antara model pembanding yang dilaporkan.6 Dalam perbandingan yang sama, Ψ0 mencatat 64,4%, π0.5 52,8%, dan GR00T-N1.6 33,9%. Namun, keunggulan keseluruhan tidak berarti model ini terbaik pada setiap tugas: Ψ0 unggul pada satu tugas, sementara π0.5 unggul pada dua tugas lainnya.
6
Prapelatihan menggunakan data manusia tampak berpengaruh dalam eksperimen yang dilaporkan. Ketika tahap itu dihilangkan, tingkat keberhasilan turun menjadi 48,9%.6
Untuk uji nyata, model dievaluasi pada tiga tugas loco-manipulation menggunakan Unitree G1, dengan lima percobaan untuk setiap tugas. Ringkasan sumber menyebut Being-M0.7 setara dengan model pembanding terkuat dalam pengujian tersebut, bukan unggul tanpa pengecualian.5 Jumlah percobaan yang sedikit membuat hasil ini belum cukup untuk menyimpulkan keandalan luas di berbagai lingkungan.
Batasan yang perlu diperhatikan
Hasil SIMPLE merupakan nilai gabungan; model lain masih dapat mengungguli Being-M0.7 pada tugas tertentu.6 Pada pengujian nyata, lima percobaan per tugas juga merupakan sampel terbatas. Selain itu, sumber menyebut cakupan evaluasi belum mewakili tugas bergerak dan manipulasi dengan rentang waktu lebih panjang.
5
Kualitas data demonstrasi robot turut menjadi tantangan. Dalam pengaturan yang dibahas, akurasi pelacakan seluruh tubuh oleh pengendali SONIC dinilai terbatas, sehingga pengumpulan demonstrasi robot menjadi lebih sulit. Ini merupakan persoalan pada pengendali yang dipakai dalam pengumpulan data, bukan bukti bahwa model world-action itu sendiri memiliki kelemahan yang sama.5
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "Being-M0.7: Model Humanoid yang Belajar Bergerak dari 10.000 Jam Data Manusia"?
Being M0.7 mempelajari pola hubungan antara tampilan lingkungan dan gerak tubuh manusia sebelum disesuaikan untuk kendali robot.[1][8]
Apa poin penting yang harus divalidasi terlebih dahulu?
Being M0.7 mempelajari pola hubungan antara tampilan lingkungan dan gerak tubuh manusia sebelum disesuaikan untuk kendali robot.[1][8] Pelatihannya berlangsung dalam tiga tahap: prapelatihan dari data manusia, adaptasi menggunakan lintasan robot, lalu pelatihan pakar aksi untuk menghasilkan perintah seluruh tubuh.[7][8]
Apa yang harus saya lakukan selanjutnya dalam latihan?
Dalam simulasi SIMPLE, model mencatat 128 keberhasilan dari 180 percobaan atau 71,1%; pengujian Unitree G1 melibatkan tiga tugas dengan lima percobaan per tugas.[6][5]