AnswersPublished20 sources
Bagaimana Being-M0.7 menyelaraskan langkah dan gerakan robot humanoid
Being M0.7 ialah model “dunia tindakan” untuk menggabungkan pergerakan seluruh badan dengan tugas mengendalikan objek, bukan melatih kedua duanya secara berasingan.[1][6] Model ini mempelajari hubungan antara video dan gerakan daripada lebih 10,000 jam data manusia, kemudian menyesuaikan pengetahuan itu kepada badan...
Diterbitkan olehDisunting dengan GPT-6 LunaImej dijana dengan GPT Image 2
Research answer
Key takeaways
- Being M0.7 ialah model “dunia tindakan” untuk menggabungkan pergerakan seluruh badan dengan tugas mengendalikan objek, bukan melatih kedua duanya secara berasingan.[1][6]
- Model ini mempelajari hubungan antara video dan gerakan daripada lebih 10,000 jam data manusia, kemudian menyesuaikan pengetahuan itu kepada badan dan sudut pandang robot.[1][8]
- Dalam ujian simulasi SIMPLE, model mencatat 128 kejayaan daripada 180 percubaan, atau 71.1%—kadar agregat tertinggi antara model yang dibandingkan.[6][8]
- Ujian robot Unitree G1 melibatkan tiga tugas dan lima percubaan bagi setiap tugas; Being M0.7 menyamai model asas terkuat, bukan mengatasinya.[5]
AI Prompt
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 ialah model dunia-tindakan terpendam (latent world-action model) daripada BeingBeyond, sebuah syarikat pemula AI berjasad. Model ini direka untuk membantu robot humanoid melakukan loco-manipulation: bergerak sambil mencapai, mengambil atau mengendalikan objek, dengan seluruh badan bertindak secara terselaras.1
6
Idea utamanya ialah melatih model memahami bagaimana pemandangan dan gerakan tubuh berubah sebelum mengajarnya arahan khusus untuk robot. Untuk itu, Being-M0.7 menggunakan lebih 10,000 jam data mentah berpusatkan manusia—termasuk video sudut pandang orang pertama dan data gerakan—sebelum dilatih menggunakan trajektori robot.1
8
Tiga peringkat latihan
- Latihan awal dengan data manusia. Model memetakan video dan gerakan ke ruang perwakilan bersama, kemudian belajar meramalkan keadaan visual akan datang serta gerakan tubuh. Data yang digunakan merangkumi contoh video bersama gerakan, video sahaja dan urutan gerakan sahaja. Gabungan ini membolehkan model belajar daripada sumber yang tidak semuanya mempunyai jenis maklumat yang sama.
1
14
- Penyesuaian kepada robot. Trajektori robot digunakan untuk menyesuaikan pengetahuan awal itu kepada sudut kamera, bentuk badan dan dinamik robot tertentu.
7
8
- Latihan pakar tindakan. Pakar tindakan berasingan belajar menukar konteks visual yang diramal oleh model—yang dikekalkan beku pada peringkat ini—kepada arahan seluruh badan yang boleh dilaksanakan robot.
Ringkasnya, model tidak cuba menyalin gerakan manusia bulat-bulat. Ia mempelajari corak tentang bagaimana persekitaran dan tubuh bergerak, kemudian menggunakan data robot untuk menghubungkan corak itu dengan kawalan mesin.1
7
Mengapa gunakan data manusia?
Mengumpul demonstrasi robot boleh menjadi sukar, sedangkan video dan data gerakan manusia tersedia dalam jumlah yang jauh lebih besar. Namun, data manusia juga tidak seragam: ada rakaman yang hanya mempunyai video, ada pula yang hanya mengandungi gerakan. Selain itu, tubuh manusia berbeza daripada tubuh robot, jadi gerakan manusia tidak boleh terus dijadikan arahan robot.5
Pendekatan Being-M0.7 cuba menangani perbezaan itu dengan memisahkan pembelajaran ramalan daripada pembelajaran kawalan robot. Sumber data yang dikenal pasti termasuk Ego4D, Xperience, Nymeria, Bones-SEED, SnapMoGen, HumanML3D dan Lafan1, selain sebahagian korpus terdahulu BeingBeyond serta sumber komersial.1
Bahan yang tersedia turut menerangkan penggunaan ciri imej DINO yang dibekukan dan perwakilan gerakan bersama 22 dimensi berasaskan kepala dan akar tubuh.12 Walau bagaimanapun, maklumat yang dirujuk di sini tidak menghuraikan dengan cukup jelas bagaimana pemegang tempat terlatih digunakan apabila sesuatu modaliti tiada. Oleh itu, mekanisme khusus tersebut tidak dapat dipastikan.
Apa yang ditunjukkan oleh ujian?
Dalam penanda aras simulasi SIMPLE, yang merangkumi enam tugas humanoid pada tiga tahap kesukaran, Being-M0.7 mencatat 128 kejayaan daripada 180 percubaan, bersamaan 71.1%—jumlah agregat tertinggi antara model yang dibandingkan.6
8 Angka yang dilaporkan bagi model lain ialah Ψ0 pada 64.4%, π0.5 pada 52.8% dan GR00T-N1.6 pada 33.9%.
6
Keputusan keseluruhan yang lebih tinggi tidak bermakna Being-M0.7 menang dalam setiap tugas. Dalam perbandingan yang dilaporkan, Ψ0 lebih baik pada satu tugas dan π0.5 pada dua tugas.6 Satu ablasinya juga menunjukkan bahawa tanpa latihan awal menggunakan data manusia, kadar kejayaan Being-M0.7 turun kepada 48.9%.
6
Bagi ujian dunia sebenar, model diuji pada Unitree G1 dalam tiga tugas loco-manipulation, dengan lima percubaan bagi setiap tugas. Being-M0.7 menyamai model asas terkuat yang dilaporkan dalam ujian itu; sampelnya kecil, jadi keputusan tersebut bukan bukti bahawa prestasinya setara dalam pelbagai persekitaran.5
Batasan yang perlu diambil kira
Tiga tugas dengan lima percubaan setiap satu memberi gambaran yang terhad tentang kebolehpercayaan robot dalam keadaan berbeza. Ujian yang singkat juga belum menunjukkan sama ada robot boleh menyelesaikan tugasan berbilang langkah atau beroperasi dengan stabil untuk tempoh yang panjang.5
Pengumpulan demonstrasi robot turut dipengaruhi oleh ketepatan penjejakan pengawal seluruh badan SONIC: sumber yang dirujuk menyatakan ketepatan penjejakan hujung anggota yang terhad menyukarkan pengumpulan demonstrasi, dan boleh menjejaskan jumlah serta mutu data robot untuk latihan.5
Kertas kajian Being-M0.7 diterbitkan pada 8 Oktober 2026, manakala halaman projek menyenaraikan model itu pada 14 Julai 2026.1
16 Maka, 12 Oktober ialah tarikh liputan yang dirujuk, bukan semestinya tarikh asal pelancaran. Sumber mengenal pasti Lu Zongqing sebagai pengasas BeingBeyond dan profesor madya di Universiti Peking; sumber yang dirujuk tidak mengesahkan secara berasingan gelaran “profesor madya bertaraf tetap”.
3
4
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Bagaimana Being-M0.7 menyelaraskan langkah dan gerakan robot humanoid"?
Being M0.7 ialah model “dunia tindakan” untuk menggabungkan pergerakan seluruh badan dengan tugas mengendalikan objek, bukan melatih kedua duanya secara berasingan.[1][6]
What are the key points to validate first?
Being M0.7 ialah model “dunia tindakan” untuk menggabungkan pergerakan seluruh badan dengan tugas mengendalikan objek, bukan melatih kedua duanya secara berasingan.[1][6] Model ini mempelajari hubungan antara video dan gerakan daripada lebih 10,000 jam data manusia, kemudian menyesuaikan pengetahuan itu kepada badan dan sudut pandang robot.[1][8]
What should I do next in practice?
Dalam ujian simulasi SIMPLE, model mencatat 128 kejayaan daripada 180 percubaan, atau 71.1%—kadar agregat tertinggi antara model yang dibandingkan.[6][8]