Being-M0.7是智在無界（BeingBeyond）推出、面向人形機械人「全身移動操作」（loco-manipulation）的潛在世界—動作模型。簡單來說，它希望機械人可以一邊移動，一邊伸手操作物件，而不是把行路和執嘢分開處理。16

模型的核心做法，是先從超過一萬小時的人類影片與動作資料中，學習畫面和身體動作如何隨時間變化；之後再用機械人軌跡，把這種預測能力適配到特定機械人的身體和控制方式。114

三階段：先學人，再適配機械人

研究團隊把訓練分成三步：

1. **預訓練：學習畫面和動作的關係。**模型把影片與人體動作映射到共享表徵空間，並一同預測未來的視覺表徵和身體動作，建立以人類資料為基礎的預測先驗。114
2. **中訓：適配機械人本身。**再利用機械人軌跡，讓模型適應機械人的鏡頭視角、身體結構和動態特性。78
3. **後訓：把預測轉成控制指令。**獨立的動作專家讀取已凍結先驗所提供的預測視覺脈絡，輸出可執行的全身指令；換言之，不是直接照搬人類動作，而是把學到的知識接駁到機械人控制上。7

預訓練資料包括影片與動作配對、只有影片，以及只有動作的樣本。配對資料可同時提供視覺和動作監督；單一模態資料則有助擴闊訓練涵蓋範圍。14 資料來源包括Ego4D、Xperience、Nymeria、Bones-SEED、SnapMoGen、HumanML3D及Lafan1等，亦有BeingBeyond既有資料和商業來源。1

公開資料亦提到，模型使用凍結的DINO影像特徵，並以一個共享的22維、以頭部為基準的動作表示作為人與機械人之間的訓練介面。12 人類動作不能直接等同機械人指令，因此這類共同表示與後續適配，正是把大規模人類經驗轉成機械人控制的重要一環。17

模擬測試成績亮眼，但不代表每項都贏

在SIMPLE模擬基準中，Being-M0.7測試六項任務、涵蓋三個難度級別，180次試驗成功128次，整體成功率為71.1%，在所比較模型中排名最高。68 報道列出的對照成績包括Ψ0的64.4%、π0.5的52.8%及GR00T-N1.6的33.9%；若移除人類資料預訓練，Being-M0.7的成功率則降至48.9%。6

不過，整體排名領先不等於每項任務都勝出。報道指出，Ψ0在其中一項任務表現較好，π0.5則在另外兩項較佳。6 研究亦報告，完整模型相較只用語言脈絡的版本，在XMovePick和BendPick有改善，但在XMoveBendPick表現較差；作者把這種差異歸因於視覺觀察相近的任務在聯合訓練時可能互相干擾。57

實機測試規模有限

在Unitree G1人形機械人上的測試涵蓋三項真實環境移動操作任務，每項各試五次。現有資料顯示，Being-M0.7與最強基線打成平手，而非明確領先。57 由於每項任務只有五次試驗，結果仍屬初步，不能單憑這組數據判斷模型在不同環境下的可靠程度。5

研究亦指出，測試所涵蓋的任務時程有限，長時間、更多步驟的移動操作能力仍有待驗證；而示範資料收集時使用的SONIC全身控制器，末端執行器追蹤精度有限，亦會令機械人示範更難收集，影響可用資料的數量和質素。5

至於時間，2026年10月12日是相關報道刊出的日期；資料顯示Being-M0.7早於2026年7月已發布。216 BeingBeyond由北京大學副教授盧宗青創立；現有資料支持其副教授及創辦人身分，但未能獨立核實「長聘」一說。9

Being-M0.7是智在無界（BeingBeyond）推出、面向人形機械人「全身移動操作」（loco-manipulation）的潛在世界—動作模型。簡單來說，它希望機械人可以一邊移動，一邊伸手操作物件，而不是把行路和執嘢分開處理。16

模型的核心做法，是先從超過一萬小時的人類影片與動作資料中，學習畫面和身體動作如何隨時間變化；之後再用機械人軌跡，把這種預測能力適配到特定機械人的身體和控制方式。114

三階段：先學人，再適配機械人

研究團隊把訓練分成三步：

1. **預訓練：學習畫面和動作的關係。**模型把影片與人體動作映射到共享表徵空間，並一同預測未來的視覺表徵和身體動作，建立以人類資料為基礎的預測先驗。114
2. **中訓：適配機械人本身。**再利用機械人軌跡，讓模型適應機械人的鏡頭視角、身體結構和動態特性。78
3. **後訓：把預測轉成控制指令。**獨立的動作專家讀取已凍結先驗所提供的預測視覺脈絡，輸出可執行的全身指令；換言之，不是直接照搬人類動作，而是把學到的知識接駁到機械人控制上。7

預訓練資料包括影片與動作配對、只有影片，以及只有動作的樣本。配對資料可同時提供視覺和動作監督；單一模態資料則有助擴闊訓練涵蓋範圍。14 資料來源包括Ego4D、Xperience、Nymeria、Bones-SEED、SnapMoGen、HumanML3D及Lafan1等，亦有BeingBeyond既有資料和商業來源。1

公開資料亦提到，模型使用凍結的DINO影像特徵，並以一個共享的22維、以頭部為基準的動作表示作為人與機械人之間的訓練介面。12 人類動作不能直接等同機械人指令，因此這類共同表示與後續適配，正是把大規模人類經驗轉成機械人控制的重要一環。17

模擬測試成績亮眼，但不代表每項都贏

在SIMPLE模擬基準中，Being-M0.7測試六項任務、涵蓋三個難度級別，180次試驗成功128次，整體成功率為71.1%，在所比較模型中排名最高。68 報道列出的對照成績包括Ψ0的64.4%、π0.5的52.8%及GR00T-N1.6的33.9%；若移除人類資料預訓練，Being-M0.7的成功率則降至48.9%。6

不過，整體排名領先不等於每項任務都勝出。報道指出，Ψ0在其中一項任務表現較好，π0.5則在另外兩項較佳。6 研究亦報告，完整模型相較只用語言脈絡的版本，在XMovePick和BendPick有改善，但在XMoveBendPick表現較差；作者把這種差異歸因於視覺觀察相近的任務在聯合訓練時可能互相干擾。57

實機測試規模有限

在Unitree G1人形機械人上的測試涵蓋三項真實環境移動操作任務，每項各試五次。現有資料顯示，Being-M0.7與最強基線打成平手，而非明確領先。57 由於每項任務只有五次試驗，結果仍屬初步，不能單憑這組數據判斷模型在不同環境下的可靠程度。5

研究亦指出，測試所涵蓋的任務時程有限，長時間、更多步驟的移動操作能力仍有待驗證；而示範資料收集時使用的SONIC全身控制器，末端執行器追蹤精度有限，亦會令機械人示範更難收集，影響可用資料的數量和質素。5

至於時間，2026年10月12日是相關報道刊出的日期；資料顯示Being-M0.7早於2026年7月已發布。216 BeingBeyond由北京大學副教授盧宗青創立；現有資料支持其副教授及創辦人身分，但未能獨立核實「長聘」一說。9