Being-M0.7是智在无界（BeingBeyond）面向人形机器人的潜在世界—动作模型，目标是让机器人把行走、维持身体协调和操作物体结合起来。关键思路不是直接把人的动作照搬给机器人，而是先利用大规模人类数据学习环境与身体如何变化，再借助机器人轨迹把这种预测能力转化为具体控制指令。167

北京大学副教授、智在无界创始人卢宗青团队参与了相关工作。3 2026年10月12日的报道介绍了这一模型；BeingBeyond项目页则将模型发布日期标为2026年7月14日，因此报道日期不等同于首次发布日。1216

为什么先用人类数据训练？

人形机器人要边走边抓，需要同时判断环境变化、预估自身动作，并协调全身。问题在于，机器人示范数据不容易大量获得；人类数据虽然丰富，却常常只有视频或只有动作，未必两者齐全。而且人的肢体动作不能直接转换成机器人的控制命令。35

Being-M0.7因此把“学会预测”与“学会控制特定机器人”分开处理。模型使用超过一万小时的人类混合模态数据作为预训练语料；这个数字指过滤与时间切分之前的原始数据规模。14

三阶段：先学预测，再适配机器人

1. **预训练：学习视频与动作之间的联系。**模型通过混合专家Transformer（Mixture of Transformers，MoT）结构，把视频和人体动作映射到共享表征空间，并联合预测未来视觉状态与身体运动，形成可供后续训练使用的预测先验。18
2. **中期训练：适配机器人的视角与身体。**模型再利用机器人轨迹，将已学到的先验调整到具体机器人的摄像头视角、身体构型和运动特性上。78
3. **后训练：把预测转成控制指令。**一个单独的动作专家读取冻结先验提供的未来视觉信息，学习输出机器人能够执行的全身命令。换言之，模型不是让机器人复演人的动作，而是把人类数据中学到的预测能力接到机器人控制上。57

语料包含三类训练数据：视频与动作配对数据、只有第一视角视频的数据，以及只有人体动作的数据。配对样本可以同时提供视觉与动作监督；单模态样本则扩大训练覆盖范围。14 相关资料列出的数据来源包括Ego4D、Xperience、Nymeria、Bones-SEED、SnapMoGen、HumanML3D和Lafan1，也包括BeingBeyond早期数据与商业来源。1

公开介绍还提到，模型使用冻结的DINO图像特征，并让人类与机器人共享一个以头部为根的22维动作表示。412 不过，现有资料没有充分说明缺失模态占位符的具体训练方式，因此不宜据此推断其实现细节。

仿真表现不错，但不是每项任务都占优

在SIMPLE仿真基准中，Being-M0.7覆盖六项任务、三个难度等级，180次试验中成功128次，成功率为71.1%，在所比较模型中整体最高。对比结果为：Ψ0为64.4%、π0.5为52.8%、GR00T-N1.6为33.9%。6

不过，整体成绩领先不代表每项任务都胜出。报告显示，Ψ0在一项任务上表现更好，π0.5在另外两项任务上表现更好；去掉人类数据预训练后，Being-M0.7的成功率降至48.9%。6 另一组消融对比中，完整模型在XMovePick和BendPick上优于仅使用语言上下文的变体，但在XMoveBendPick上更差；作者将这一差异归因于视觉观测相似的任务联合训练时可能出现干扰。57

实机测试仍属早期验证

在Unitree G1人形机器人上的测试涉及三项真实移动操作任务，每项任务进行五次试验。相关材料称Being-M0.7与最强基线表现持平，而非在实机测试中单独领先。57 由于试验次数有限，这些结果还不足以说明模型在不同环境中都能稳定工作。

研究资料也指出，测试任务的时间跨度有限，更长时程的移动操作能力仍待验证。此外，演示数据采集使用的SONIC全身控制器在末端执行器跟踪精度方面存在限制，可能影响机器人轨迹数据的数量与质量；这是数据采集和控制器方面的约束，不应简单等同于世界—动作模型本身的缺陷。5

Being-M0.7是智在无界（BeingBeyond）面向人形机器人的潜在世界—动作模型，目标是让机器人把行走、维持身体协调和操作物体结合起来。关键思路不是直接把人的动作照搬给机器人，而是先利用大规模人类数据学习环境与身体如何变化，再借助机器人轨迹把这种预测能力转化为具体控制指令。167

北京大学副教授、智在无界创始人卢宗青团队参与了相关工作。3 2026年10月12日的报道介绍了这一模型；BeingBeyond项目页则将模型发布日期标为2026年7月14日，因此报道日期不等同于首次发布日。1216

为什么先用人类数据训练？

人形机器人要边走边抓，需要同时判断环境变化、预估自身动作，并协调全身。问题在于，机器人示范数据不容易大量获得；人类数据虽然丰富，却常常只有视频或只有动作，未必两者齐全。而且人的肢体动作不能直接转换成机器人的控制命令。35

Being-M0.7因此把“学会预测”与“学会控制特定机器人”分开处理。模型使用超过一万小时的人类混合模态数据作为预训练语料；这个数字指过滤与时间切分之前的原始数据规模。14

三阶段：先学预测，再适配机器人

1. **预训练：学习视频与动作之间的联系。**模型通过混合专家Transformer（Mixture of Transformers，MoT）结构，把视频和人体动作映射到共享表征空间，并联合预测未来视觉状态与身体运动，形成可供后续训练使用的预测先验。18
2. **中期训练：适配机器人的视角与身体。**模型再利用机器人轨迹，将已学到的先验调整到具体机器人的摄像头视角、身体构型和运动特性上。78
3. **后训练：把预测转成控制指令。**一个单独的动作专家读取冻结先验提供的未来视觉信息，学习输出机器人能够执行的全身命令。换言之，模型不是让机器人复演人的动作，而是把人类数据中学到的预测能力接到机器人控制上。57

语料包含三类训练数据：视频与动作配对数据、只有第一视角视频的数据，以及只有人体动作的数据。配对样本可以同时提供视觉与动作监督；单模态样本则扩大训练覆盖范围。14 相关资料列出的数据来源包括Ego4D、Xperience、Nymeria、Bones-SEED、SnapMoGen、HumanML3D和Lafan1，也包括BeingBeyond早期数据与商业来源。1

公开介绍还提到，模型使用冻结的DINO图像特征，并让人类与机器人共享一个以头部为根的22维动作表示。412 不过，现有资料没有充分说明缺失模态占位符的具体训练方式，因此不宜据此推断其实现细节。

仿真表现不错，但不是每项任务都占优

在SIMPLE仿真基准中，Being-M0.7覆盖六项任务、三个难度等级，180次试验中成功128次，成功率为71.1%，在所比较模型中整体最高。对比结果为：Ψ0为64.4%、π0.5为52.8%、GR00T-N1.6为33.9%。6

不过，整体成绩领先不代表每项任务都胜出。报告显示，Ψ0在一项任务上表现更好，π0.5在另外两项任务上表现更好；去掉人类数据预训练后，Being-M0.7的成功率降至48.9%。6 另一组消融对比中，完整模型在XMovePick和BendPick上优于仅使用语言上下文的变体，但在XMoveBendPick上更差；作者将这一差异归因于视觉观测相似的任务联合训练时可能出现干扰。57

实机测试仍属早期验证

在Unitree G1人形机器人上的测试涉及三项真实移动操作任务，每项任务进行五次试验。相关材料称Being-M0.7与最强基线表现持平，而非在实机测试中单独领先。57 由于试验次数有限，这些结果还不足以说明模型在不同环境中都能稳定工作。

研究资料也指出，测试任务的时间跨度有限，更长时程的移动操作能力仍待验证。此外，演示数据采集使用的SONIC全身控制器在末端执行器跟踪精度方面存在限制，可能影响机器人轨迹数据的数量与质量；这是数据采集和控制器方面的约束，不应简单等同于世界—动作模型本身的缺陷。5