人形機器人若要一邊走、一邊伸手拿取或操作物件，必須同時理解環境接下來可能如何變化，並協調身體各部位的動作。BeingBeyond 的 Being-M0.7，正是針對這類「全身移動操作」（loco-manipulation）設計的潛在世界－動作模型（World-Action Model）。14

它的主要思路，是先利用超過 10,000 小時的人類第一人稱影片與人體動作資料，學習視覺場景和身體動作如何隨時間演變；接著再用機器人軌跡，把這些學到的規律轉成特定機器人能執行的控制指令。112

為什麼先用人類資料？

人類影片與動作資料規模較大，可補足機器人示範資料有限的問題。不過，這些資料並不整齊：有些只有影片，有些只有動作，只有部分資料同時包含兩者；而且人的動作也不能直接照搬到機器人身上。514

Being-M0.7 因此把「學習世界與身體如何變化」和「學會如何控制特定機器人」分開處理。其預訓練資料分成三種監督來源：影片與動作配對資料、只有影片的資料，以及只有動作的資料。配對資料可共同訓練視覺與動作預測，單一模態資料則擴大可用的學習範圍。114

資料來源包括 Ego4D、Xperience、Nymeria、Bones-SEED、SnapMoGen、HumanML3D 和 Lafan1，也包含 BeingBeyond 先前資料集的部分內容及商業來源。1

三階段：先學預測，再學控制

1. 預訓練：建立視覺－動作先驗。 模型將影片和人體動作映射到共享表徵空間，並共同預測未來的視覺表徵與身體動作。它的目標不是直接生成一般影片畫面，而是在潛在表徵中學習場景和動作的變化。14
2. 中訓練：適應機器人。 模型利用機器人軌跡，調整先前學到的預測能力，使其適用於機器人的攝影機視角、身體結構與動態特性。5
3. 後訓練：把預測轉成指令。 一個獨立的動作專家讀取凍結先驗所提供的預測視覺脈絡，學習輸出機器人可執行的全身控制命令。換句話說，模型不是把人類動作原樣重播，而是把人類資料中學到的規律接到機器人控制上。15

模型相關資料也提到，視覺端使用凍結的 DINO 圖像特徵，並以共享的 22 維、以頭部為根的動作表徵描述人類與機器人的動作。412至於缺失模態是否透過可學習的佔位表示處理，現有可核對的資料摘錄並未交代足夠細節，因此不宜進一步斷言其具體做法。

模擬測試表現亮眼，但並非每項都勝出

在 SIMPLE 模擬基準中，Being-M0.7 評估了六項人形機器人任務、三個難度等級，共成功 128 次、總計 180 次，成功率為 71.1%，在比較模型中整體最高。6

同一基準中，Ψ0 的整體成功率為 64.4%、π0.5 為 52.8%、GR00T-N1.6 為 33.9%。此外，移除人類資料預訓練後，Being-M0.7 的成功率降至 48.9%，顯示這項預訓練對該測試結果有明顯影響。6

不過，整體成績領先不代表每個任務都佔優。報告指出，與只使用語言脈絡的版本相比，完整模型在 XMovePick 和 BendPick 表現較好，但在 XMoveBendPick 較差；作者將差異歸因於視覺觀測相近的任務在共同訓練時可能互相干擾。5這是特定消融比較的結果，不應解讀成模型在每項任務都勝過所有外部基線。56

Unitree G1 實測仍屬小規模

在真實 Unitree G1 人形機器人上的測試涵蓋三項移動操作任務，每項任務進行五次試驗。可核對的資料描述 Being-M0.7 與最強基線表現相當，而不是明確領先。5

至於總成功次數，現有摘錄並不一致：部分材料記載 Being-M0.7 在 15 次試驗中成功 7 次，另有提問所列的 13/15 數字無法由提供的可核對摘錄支持。因此，較穩妥的說法是以三項任務、每項五次試驗及「與最強基線並列」為準，不把有爭議的總數當成確定結論。2511

評估仍有哪些限制？

• 真機試驗次數少： 每項任務只有五次試驗，單次成敗就會明顯改變該項結果；目前資料不足以據此推論模型在不同環境下的長期可靠度。5
• 長時程能力仍待驗證： 目前評估的任務範圍有限，不能單靠短程移動與操作測試，證明機器人能穩定完成長時間、多步驟任務。5
• 示範品質受控制器影響： 資料指出，SONIC 全身控制器的末端執行器追蹤精度有限，增加了機器人示範資料收集的困難，也會影響可用訓練資料的數量與品質。這是資料收集所面對的控制器限制，不能直接等同於 Being-M0.7 模型本身的性能缺陷。5

Being-M0.7 的發布日期也需與報導日期區分：2026 年 10 月 12 日是相關報導日期，BeingBeyond 的研究頁面則列出模型於 2026 年 7 月發布。416研究資料將創辦人盧宗青介紹為北京大學副教授；提供的來源未能獨立確認「長聘」這項職稱描述。34

人形機器人若要一邊走、一邊伸手拿取或操作物件，必須同時理解環境接下來可能如何變化，並協調身體各部位的動作。BeingBeyond 的 Being-M0.7，正是針對這類「全身移動操作」（loco-manipulation）設計的潛在世界－動作模型（World-Action Model）。14

它的主要思路，是先利用超過 10,000 小時的人類第一人稱影片與人體動作資料，學習視覺場景和身體動作如何隨時間演變；接著再用機器人軌跡，把這些學到的規律轉成特定機器人能執行的控制指令。112

為什麼先用人類資料？

人類影片與動作資料規模較大，可補足機器人示範資料有限的問題。不過，這些資料並不整齊：有些只有影片，有些只有動作，只有部分資料同時包含兩者；而且人的動作也不能直接照搬到機器人身上。514

Being-M0.7 因此把「學習世界與身體如何變化」和「學會如何控制特定機器人」分開處理。其預訓練資料分成三種監督來源：影片與動作配對資料、只有影片的資料，以及只有動作的資料。配對資料可共同訓練視覺與動作預測，單一模態資料則擴大可用的學習範圍。114

資料來源包括 Ego4D、Xperience、Nymeria、Bones-SEED、SnapMoGen、HumanML3D 和 Lafan1，也包含 BeingBeyond 先前資料集的部分內容及商業來源。1

三階段：先學預測，再學控制

1. 預訓練：建立視覺－動作先驗。 模型將影片和人體動作映射到共享表徵空間，並共同預測未來的視覺表徵與身體動作。它的目標不是直接生成一般影片畫面，而是在潛在表徵中學習場景和動作的變化。14
2. 中訓練：適應機器人。 模型利用機器人軌跡，調整先前學到的預測能力，使其適用於機器人的攝影機視角、身體結構與動態特性。5
3. 後訓練：把預測轉成指令。 一個獨立的動作專家讀取凍結先驗所提供的預測視覺脈絡，學習輸出機器人可執行的全身控制命令。換句話說，模型不是把人類動作原樣重播，而是把人類資料中學到的規律接到機器人控制上。15

模型相關資料也提到，視覺端使用凍結的 DINO 圖像特徵，並以共享的 22 維、以頭部為根的動作表徵描述人類與機器人的動作。412至於缺失模態是否透過可學習的佔位表示處理，現有可核對的資料摘錄並未交代足夠細節，因此不宜進一步斷言其具體做法。

模擬測試表現亮眼，但並非每項都勝出

在 SIMPLE 模擬基準中，Being-M0.7 評估了六項人形機器人任務、三個難度等級，共成功 128 次、總計 180 次，成功率為 71.1%，在比較模型中整體最高。6

同一基準中，Ψ0 的整體成功率為 64.4%、π0.5 為 52.8%、GR00T-N1.6 為 33.9%。此外，移除人類資料預訓練後，Being-M0.7 的成功率降至 48.9%，顯示這項預訓練對該測試結果有明顯影響。6

不過，整體成績領先不代表每個任務都佔優。報告指出，與只使用語言脈絡的版本相比，完整模型在 XMovePick 和 BendPick 表現較好，但在 XMoveBendPick 較差；作者將差異歸因於視覺觀測相近的任務在共同訓練時可能互相干擾。5這是特定消融比較的結果，不應解讀成模型在每項任務都勝過所有外部基線。56

Unitree G1 實測仍屬小規模

在真實 Unitree G1 人形機器人上的測試涵蓋三項移動操作任務，每項任務進行五次試驗。可核對的資料描述 Being-M0.7 與最強基線表現相當，而不是明確領先。5

至於總成功次數，現有摘錄並不一致：部分材料記載 Being-M0.7 在 15 次試驗中成功 7 次，另有提問所列的 13/15 數字無法由提供的可核對摘錄支持。因此，較穩妥的說法是以三項任務、每項五次試驗及「與最強基線並列」為準，不把有爭議的總數當成確定結論。2511

評估仍有哪些限制？

• 真機試驗次數少： 每項任務只有五次試驗，單次成敗就會明顯改變該項結果；目前資料不足以據此推論模型在不同環境下的長期可靠度。5
• 長時程能力仍待驗證： 目前評估的任務範圍有限，不能單靠短程移動與操作測試，證明機器人能穩定完成長時間、多步驟任務。5
• 示範品質受控制器影響： 資料指出，SONIC 全身控制器的末端執行器追蹤精度有限，增加了機器人示範資料收集的困難，也會影響可用訓練資料的數量與品質。這是資料收集所面對的控制器限制，不能直接等同於 Being-M0.7 模型本身的性能缺陷。5

Being-M0.7 的發布日期也需與報導日期區分：2026 年 10 月 12 日是相關報導日期，BeingBeyond 的研究頁面則列出模型於 2026 年 7 月發布。416研究資料將創辦人盧宗青介紹為北京大學副教授；提供的來源未能獨立確認「長聘」這項職稱描述。34