Câu trả lờiĐã xuất bản19 nguồn
Being-M0.7 dùng dữ liệu con người để giúp robot hình người vừa đi vừa cầm nắm
Being M0.7 là mô hình world action tiềm ẩn dành cho chuyển động kết hợp thao tác của robot hình người, được huấn luyện trước bằng hơn 10.000 giờ dữ liệu video và chuyển động của con người.[1][14] Quy trình gồm ba bước: học mối liên hệ giữa hình ảnh và chuyển động, điều chỉnh kiến thức cho robot cụ thể, rồi huấn luyệ...
Đăng bởiBiên tập bằng GPT-6 LunaHình ảnh được tạo bằng GPT Image 2
Câu trả lời nghiên cứu
Bài học chính
- Being M0.7 là mô hình world action tiềm ẩn dành cho chuyển động kết hợp thao tác của robot hình người, được huấn luyện trước bằng hơn 10.000 giờ dữ liệu video và chuyển động của con người.[1][14]
- Quy trình gồm ba bước: học mối liên hệ giữa hình ảnh và chuyển động, điều chỉnh kiến thức cho robot cụ thể, rồi huấn luyện một chuyên gia hành động tạo lệnh điều khiển toàn thân.[1][4]
- Trên mô phỏng SIMPLE, mô hình đạt 128/180 lượt thành công, tương đương 71,1% — cao nhất trong các mô hình được so sánh theo kết quả tổng hợp.[6][8]
- Thử nghiệm robot Unitree G1 gồm ba nhiệm vụ, mỗi nhiệm vụ năm lượt; Being M0.7 ngang mức với mô hình dẫn đầu trong thử nghiệm này, chứ không vượt trội rõ ràng.[5]
Prompt AI
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 là mô hình world-action tiềm ẩn do BeingBeyond phát triển cho robot hình người. Mục tiêu của mô hình là giúp robot phối hợp di chuyển và thao tác với vật thể — chẳng hạn vừa bước tới vừa với lấy đồ — thay vì xem đi lại và sử dụng tay như hai kỹ năng tách biệt.1
4
Điểm đáng chú ý là mô hình được huấn luyện trước bằng hơn 10.000 giờ dữ liệu thô về video góc nhìn thứ nhất và chuyển động của con người, rồi mới dùng quỹ đạo robot để điều chỉnh kiến thức cho cơ thể máy.1
14 Cách làm này tận dụng dữ liệu con người quy mô lớn, trong khi vẫn cần bước học riêng để chuyển những gì đã học thành hành động robot có thể thực hiện.
Ba giai đoạn từ dữ liệu con người đến lệnh robot
- Tiền huấn luyện: Mô hình đưa video và chuyển động vào một không gian biểu diễn chung, rồi dự đoán đồng thời trạng thái hình ảnh trong tương lai và chuyển động cơ thể. Nhờ đó, mô hình học được phần nào cảnh vật và cơ thể sẽ thay đổi ra sao.
1
4
- Huấn luyện giữa kỳ: Quỹ đạo robot được dùng để điều chỉnh kiến thức đã học cho phù hợp với góc nhìn camera, cấu hình cơ thể và đặc tính chuyển động của robot.
5
- Hậu huấn luyện: Một mô-đun chuyên gia hành động riêng học cách chuyển thông tin dự đoán từ mô hình nền đã được giữ cố định thành lệnh điều khiển toàn thân có thể thực thi.
Dữ liệu con người không phải lúc nào cũng đầy đủ theo cùng một cách: có mẫu chỉ có video, mẫu khác chỉ có dữ liệu chuyển động, và một số có cả hai. Nghiên cứu mô tả việc kết hợp các luồng dữ liệu ghép cặp video–chuyển động với dữ liệu chỉ có video hoặc chỉ có chuyển động.14 Điều này giúp tận dụng các mẫu không hoàn chỉnh, thay vì chỉ học từ những ví dụ có đủ mọi loại nhãn. Đồng thời, chuyển động của người không thể đơn giản sao chép sang robot; mô hình cần giai đoạn điều chỉnh và chuyên gia hành động để tạo lệnh phù hợp với cơ thể máy.
1
5
Các mô tả về hệ thống cũng nhắc đến đặc trưng hình ảnh DINO được giữ cố định và một biểu diễn chuyển động chung 22 chiều, lấy phần đầu và gốc cơ thể làm mốc.4
12 Tuy nhiên, tài liệu được cung cấp không giải thích đủ chi tiết cách huấn luyện các ký hiệu thay thế cho những phương thức bị thiếu, nên không thể khẳng định cụ thể cơ chế đó hoạt động ra sao.
Nguồn dữ liệu được nêu gồm các bộ như Ego4D, Xperience, Nymeria, Bones-SEED, SnapMoGen, HumanML3D và Lafan1, cùng một phần dữ liệu từ các mô hình BeingBeyond trước đó và nguồn thương mại.1
Kết quả: dẫn đầu trên mô phỏng, thận trọng với thử nghiệm thực
Trên SIMPLE — bộ chuẩn mô phỏng gồm sáu nhiệm vụ robot hình người ở ba mức độ khó — Being-M0.7 đạt 128/180 lượt thành công, tương đương 71,1%, cao nhất trong nhóm mô hình được so sánh theo tỷ lệ tổng hợp.6
8 Các mức được báo cáo cho Ψ0, π0.5 và GR00T-N1.6 lần lượt là 64,4%, 52,8% và 33,9%.
6 Khi bỏ bước tiền huấn luyện trên dữ liệu con người, tỷ lệ của mô hình giảm xuống 48,9%.
6
Dẫn đầu về tổng số lượt thành công không đồng nghĩa thắng ở mọi nhiệm vụ. Kết quả được nêu cho thấy Ψ0 tốt hơn ở một nhiệm vụ, còn π0.5 tốt hơn ở hai nhiệm vụ khác.6 Trong một phép so sánh với biến thể chỉ dùng ngữ cảnh ngôn ngữ, Being-M0.7 cải thiện ở XMovePick và BendPick nhưng kém hơn ở XMoveBendPick; nhóm nghiên cứu cho rằng có thể xảy ra nhiễu giữa các nhiệm vụ có quan sát hình ảnh tương tự.
5
Với robot Unitree G1 ngoài đời thực, mô hình được thử trên ba nhiệm vụ kết hợp đi lại và thao tác, mỗi nhiệm vụ năm lần. Kết quả được mô tả là ngang với mô hình nền mạnh nhất trong phép thử này.5 Số lượt thử ít khiến kết quả phù hợp để xem như bằng chứng ban đầu, chưa đủ để kết luận về độ tin cậy trong nhiều môi trường hoặc tình huống khác nhau.
Những giới hạn cần lưu ý
Các nhiệm vụ thử nghiệm có thời lượng hạn chế, vì vậy kết quả chưa chứng minh được khả năng xử lý ổn định những chuỗi thao tác dài hơn.5 Nghiên cứu cũng nêu độ chính xác theo dõi chuyển động toàn thân của bộ điều khiển SONIC còn hạn chế trong quá trình thu thập trình diễn robot, gây khó khăn cho việc tạo dữ liệu robot chất lượng.
5 Đây là hạn chế liên quan đến bộ điều khiển và nguồn dữ liệu, không nên nhầm thành một đặc tính đã được chứng minh của riêng mô hình world-action.
Về mốc thời gian, trang dự án của BeingBeyond ghi Being-M0.7 vào tháng 7/2026; ngày 12/10/2026 là ngày đăng của một bài viết đưa tin về mô hình, không nhất thiết là ngày phát hành ban đầu.4
16 Lu Zongqing được giới thiệu là nhà sáng lập BeingBeyond và phó giáo sư tại Đại học Bắc Kinh.
9
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Người ta cũng hỏi
Câu trả lời ngắn gọn cho "Being-M0.7 dùng dữ liệu con người để giúp robot hình người vừa đi vừa cầm nắm" là gì?
Being M0.7 là mô hình world action tiềm ẩn dành cho chuyển động kết hợp thao tác của robot hình người, được huấn luyện trước bằng hơn 10.000 giờ dữ liệu video và chuyển động của con người.[1][14]
Những điểm chính cần xác nhận đầu tiên là gì?
Being M0.7 là mô hình world action tiềm ẩn dành cho chuyển động kết hợp thao tác của robot hình người, được huấn luyện trước bằng hơn 10.000 giờ dữ liệu video và chuyển động của con người.[1][14] Quy trình gồm ba bước: học mối liên hệ giữa hình ảnh và chuyển động, điều chỉnh kiến thức cho robot cụ thể, rồi huấn luyện một chuyên gia hành động tạo lệnh điều khiển toàn thân.[1][4]
Tôi nên làm gì tiếp theo trong thực tế?
Trên mô phỏng SIMPLE, mô hình đạt 128/180 lượt thành công, tương đương 71,1% — cao nhất trong các mô hình được so sánh theo kết quả tổng hợp.[6][8]