RespostasPublicado19 fontes
Being-M0.7 combina caminhada e manipulação com base em mais de 10 mil horas de dados humanos
O Being M0.7 é um modelo de ação e representação do ambiente que busca coordenar caminhada e manipulação de objetos, em vez de tratar essas habilidades separadamente.[1][6] Seu treinamento começa com mais de 10 mil horas de dados humanos em formatos variados; depois, trajetórias de robôs adaptam o modelo a um corpo...
Publicado porEditado com GPT-6 LunaImagens geradas com GPT Image 2
Resposta de pesquisa
Principais conclusões
- O Being M0.7 é um modelo de ação e representação do ambiente que busca coordenar caminhada e manipulação de objetos, em vez de tratar essas habilidades separadamente.[1][6]
- Seu treinamento começa com mais de 10 mil horas de dados humanos em formatos variados; depois, trajetórias de robôs adaptam o modelo a um corpo e a comandos específicos.[1][8]
- No SIMPLE, o modelo registrou 128 acertos em 180 tentativas (71,1%), o maior resultado agregado entre os comparados.
- Em testes com o Unitree G1, a evidência disponível aponta empate com o melhor modelo de referência em três tarefas, com cinco tentativas por tarefa — uma amostra pequena.[5][7]
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
O Being-M0.7 é um modelo da startup BeingBeyond voltado à chamada locomoção com manipulação: fazer um robô humanoide caminhar e, ao mesmo tempo, interagir com objetos. Em vez de aprender essas capacidades como tarefas isoladas, o sistema tenta coordenar percepção, movimento e controle do corpo inteiro.1
6
A proposta é aproveitar mais de 10 mil horas de dados humanos — incluindo vídeos em primeira pessoa e sequências de movimento — antes de treinar com trajetórias de robôs.1
8 A publicação mencionada em 12 de outubro de 2026 apresentou o modelo, mas fontes anteriores indicam que ele havia sido lançado em julho daquele ano.
4
16
Da experiência humana ao comando do robô
Dados de pessoas podem oferecer exemplos em escala maior do que demonstrações feitas com robôs. Mas há dois desafios: nem todo material contém vídeo e movimento ao mesmo tempo, e os movimentos humanos não podem ser simplesmente copiados por um robô, cujo corpo e dinâmica são diferentes.5
7
O Being-M0.7 organiza o treinamento em três etapas:
- Pré-treinamento com dados humanos: uma arquitetura chamada Mixture of Transformers aprende uma representação compartilhada de vídeo e movimento e prevê estados visuais futuros e movimentos corporais. O objetivo é formar uma espécie de referência preditiva sobre como cenas e corpos evoluem.
1
8
- Adaptação ao robô: trajetórias robóticas ajustam essa referência ao ponto de vista das câmeras, à configuração corporal e à dinâmica do robô.
7
- Treinamento do especialista em ações: um módulo separado usa as previsões do modelo — mantido congelado nessa etapa — para gerar comandos executáveis para o corpo inteiro.
O conjunto de dados reúne três tipos de material: pares de vídeo em primeira pessoa e movimento, vídeos sem dados de movimento correspondentes e sequências de movimento sem vídeo. Os pares permitem supervisão conjunta; os exemplos de uma modalidade ampliam a variedade disponível.1
14 Entre as fontes citadas estão Ego4D, Xperience, Nymeria, Bones-SEED, SnapMoGen, HumanML3D e Lafan1, além de conjuntos anteriores da própria BeingBeyond e fontes comerciais.
1
As fontes também descrevem o uso de características visuais DINO congeladas e uma representação compacta de movimento compartilhada, com 22 dimensões e referenciada à cabeça.12
14 Os trechos disponíveis, porém, não detalham com segurança a definição de cada dimensão nem como são treinados marcadores para modalidades ausentes. Por isso, não é possível explicar esses aspectos de implementação com precisão.
O que os testes mostram
No benchmark de simulação SIMPLE, que cobre seis tarefas em três níveis de dificuldade, o Being-M0.7 teve 128 sucessos em 180 tentativas, ou 71,1% — o maior resultado agregado entre os modelos comparados.6
8 Os números reportados para os outros modelos foram 64,4% para Ψ0, 52,8% para π0.5 e 33,9% para GR00T-N1.6.
6
O desempenho agregado não quer dizer que o Being-M0.7 tenha sido melhor em cada tarefa. Em uma comparação de ablação com uma versão que usa apenas contexto de linguagem, o modelo completo melhorou em XMovePick e BendPick, mas teve resultado inferior em XMoveBendPick. Os autores atribuem essa diferença a uma possível interferência entre tarefas treinadas em conjunto e com observações visuais semelhantes; essa é a interpretação apresentada, não uma causa comprovada separadamente.7
Sem o pré-treinamento com dados humanos, a taxa agregada no SIMPLE caiu para 48,9%, segundo os resultados reportados.6 Isso sugere que essa etapa contribuiu para o desempenho no simulador, mas não prova, por si só, que a mesma vantagem se mantenha em todos os robôs e ambientes.
Nos testes em um Unitree G1, o modelo foi avaliado em três tarefas reais de locomoção e manipulação, com cinco tentativas por tarefa. A evidência disponível descreve um empate com o melhor modelo de referência, não uma liderança isolada.5
7 Com tão poucas tentativas, o resultado serve como demonstração inicial; não basta para concluir que o desempenho será igualmente confiável em condições variadas.
Limites a considerar
A avaliação cobre tarefas de duração limitada. Ela não estabelece como o modelo se sairia em atividades longas, com várias etapas ou que exijam recuperação de erros acumulados. A fonte que discute as limitações também aponta que a precisão de rastreamento do controlador de corpo inteiro usado para coletar demonstrações dificultava essa coleta e afetava a quantidade e a qualidade dos dados robóticos disponíveis.5
Por fim, a documentação identifica Lu Zongqing como fundador da BeingBeyond e professor associado da Universidade de Pequim; os materiais consultados não confirmam de forma independente a qualificação de “professor associado titular”.6 Em conjunto, os resultados mostram uma abordagem promissora para transferir aprendizado de dados humanos a robôs humanoides, mas ainda com limites importantes na avaliação em situações reais.
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
As pessoas também perguntam
Qual é a resposta curta para "Being-M0.7 combina caminhada e manipulação com base em mais de 10 mil horas de dados humanos"?
O Being M0.7 é um modelo de ação e representação do ambiente que busca coordenar caminhada e manipulação de objetos, em vez de tratar essas habilidades separadamente.[1][6]
Quais são os pontos-chave para validar primeiro?
O Being M0.7 é um modelo de ação e representação do ambiente que busca coordenar caminhada e manipulação de objetos, em vez de tratar essas habilidades separadamente.[1][6] Seu treinamento começa com mais de 10 mil horas de dados humanos em formatos variados; depois, trajetórias de robôs adaptam o modelo a um corpo e a comandos específicos.[1][8]
O que devo fazer a seguir na prática?
No SIMPLE, o modelo registrou 128 acertos em 180 tentativas (71,1%), o maior resultado agregado entre os comparados.