AnswersPublished20 sources
Being-M0.7: гуманоїд, який вчиться рухатися на людських даних
Being M0.7 — модель для гуманоїдів, що координує пересування й маніпуляції предметами як єдине завдання. Спершу вона вивчає відео та рухи людей, а потім адаптується до камери, тіла й динаміки конкретного робота.
ОпублікувавВідредаговано за допомогою GPT-6 LunaЗображення створено за допомогою GPT Image 2
Research answer
Key takeaways
- Being M0.7 — модель для гуманоїдів, що координує пересування й маніпуляції предметами як єдине завдання.
- Спершу вона вивчає відео та рухи людей, а потім адаптується до камери, тіла й динаміки конкретного робота.
- У симуляції модель показала 71,1% успішних спроб. У тестах на Unitree G1 вона зрівнялася з найсильнішим базовим методом, але перевірок було небагато.
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 — модель компанії BeingBeyond для гуманоїдних роботів, яким потрібно одночасно пересуватися й взаємодіяти з предметами. У робототехніці таке поєднання називають loco-manipulation: ходьба та маніпуляції розглядаються не як дві окремі навички, а як скоординована робота всього тіла.1
4
Замість того щоб починати з великої кількості роботизованих демонстрацій, модель спершу навчається на понад 10 000 годинах людських відео та даних про рухи. Далі її знання адаптують до робота, а окремий компонент перетворює прогноз моделі на команди керування.1
12
Три етапи навчання
- Попереднє навчання на людських даних. Модель зіставляє відео й рухи у спільному просторі та вчиться прогнозувати майбутній візуальний стан і рух тіла. Вона працює не з відтворенням кожного пікселя відео, а з його стислими візуальними ознаками; у матеріалах про модель згадуються заморожені ознаки DINO та спільне 22-вимірне подання руху, прив’язане до голови.
1
12
- Адаптація до робота. Траєкторії робота допомагають пристосувати здобуті знання до його камери, будови тіла й динаміки.
4
- Навчання експерта дій. Окремий компонент використовує передбачення моделі, щоб видавати виконувані команди для всього тіла робота.
5
Такий поділ важливий, бо людські дані не можна просто напряму перетворити на команди для робота: тіла й способи руху різняться. Крім того, дані бувають неповними — одні записи містять відео й рухи разом, інші лише відео або лише рухи. У підході Being-M0.7 ці потоки використовують як взаємодоповнювальні джерела навчання.5
14
Серед згаданих наборів даних — Ego4D, Xperience, Nymeria, Bones-SEED, SnapMoGen, HumanML3D і Lafan1. Корпус також доповнюють окремі дані з попередніх проєктів BeingBeyond та придбані джерела.1
14
Доступні матеріали не дають змоги достовірно описати, як саме налаштовуються навчальні маркери для відсутніх модальностей. Так само в них немає достатньо подробиць, щоб пояснити всі компоненти 22-вимірного подання руху.
Результати: сильний показник у симуляції, обережні висновки з реальних тестів
На симуляційному бенчмарку SIMPLE, що охоплює шість завдань трьох рівнів складності, Being-M0.7 успішно виконала 128 зі 180 спроб — 71,1%. Це був найвищий сукупний результат серед порівнюваних моделей. Для контексту, у наведених порівняннях Ψ0 показала 64,4%, π0.5 — 52,8%, а GR00T-N1.6 — 33,9%.6
8
Втім, найкращий загальний результат не означає перемоги в кожному окремому завданні: у деяких із них кращі результати показали інші моделі. А в абляційному тесті без попереднього навчання на людських даних сукупний показник Being-M0.7 знизився до 48,9%.6
На реальному гуманоїді Unitree G1 модель випробували у трьох завданнях із пересуванням і маніпуляціями. У кожному було по п’ять спроб; за наявними описами, Being-M0.7 зрівнялася з найсильнішим базовим методом, а не беззаперечно його випередила.5
7 Через малу кількість випробувань цей результат варто сприймати як попередній, а не як доказ стабільної переваги в різних умовах.
Що ще належить перевірити
Описані завдання не дають відповіді на те, наскільки надійно модель працюватиме в довших послідовностях дій. Також точність контролера SONIC, який використовували під час збору роботизованих демонстрацій, впливала на якість відстеження рухів. Це обмеження стосується контролера й даних для навчання, а не є окремою властивістю самої моделі Being-M0.7.5
Дату 12 жовтня 2026 року пов’язують із публікацією матеріалу про модель; сторінка BeingBeyond вказує на липень 2026-го як час її появи. Тож ці дати не варто трактувати як одну й ту саму дату релізу.4
16 У матеріалах Лу Цзунціна названо засновником BeingBeyond і доцентом Пекінського університету; уточнення про його статус штатного професора незалежно не підтверджене.
3
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 "Being-M0.7: гуманоїд, який вчиться рухатися на людських даних"?
Being M0.7 — модель для гуманоїдів, що координує пересування й маніпуляції предметами як єдине завдання.
What are the key points to validate first?
Being M0.7 — модель для гуманоїдів, що координує пересування й маніпуляції предметами як єдине завдання. Спершу вона вивчає відео та рухи людей, а потім адаптується до камери, тіла й динаміки конкретного робота.
What should I do next in practice?
У симуляції модель показала 71,1% успішних спроб. У тестах на Unitree G1 вона зрівнялася з найсильнішим базовим методом, але перевірок було небагато.