智在無界發布Being-M0.7，用隱式世界動作模型打通人形機器人的全身移動靈巧操作

來源：獵云網

7月15日，通用具身基礎模型公司智在無界BeingBeyond正式發布Being-M0.7——全球首個全身移動操作隱式世界動作模型（Latent WAM）。

這不是一個只能讓機器人"看到"世界的模型，而是一個能讓機器人"理解"世界如何運轉、并據此做出全身移動操作的模型。它打通了從視覺感知到全身移動、再到靈巧操作的完整鏈路，讓機器人不再局限于桌面及操作任務，而是成為真正具備人類全身協調能力的智能體。

Being-M0.7通過超 10000 小時的人類第一人稱視頻預訓練和極小樣本真機適配，在"隱空間"（latent space）中，基于隱式視覺信息和運動信息推演物理變化，讓機器人在真正理解物理世界的基礎上，通過全身移動操作與物理世界交互。

在被具體化為機器人可執行的指令之前，模型先從大規模以人為中心的數據中學習了三項核心能力：視覺上下文理解、未來狀態預測、以及人形運動學結構的隱式表征。換言之，模型在“學會控制”之前，已經先“學會了理解”。

1. 從Being-H到Being-M，智在無界持續引領隱式世界動作模型范式

智在無界是全球率先押注大規模人類視頻訓練路線的具身智能企業，也是全球極少數同時布局通用靈巧操作與移動操作模型的創新公司，更是國內首個推出原生隱空間世界動作模型的團隊。

今年4月，智在無界發布了Being-H0.7，將數據規模擴展至 20 萬小時人類第一人稱視頻。在 6 項國際性權威評測中，H0.7 綜合排名全球第一，同時也是首個覆蓋跨本體、跨場景、連續動態、流體、柔性物體、物理規律與上下文推理等七大關鍵維度的通用具身世界模型。

Being-M0.7是這一隱式世界動作模型路線的最新成果，也是全球首個將隱式世界動作模型能力從"桌面靈巧操作"擴展到"全身移動操作"的模型。隱式世界動作模型讓機器人建立對物理世界的"內心推演"：不只是識別眼前的物體，還要預判它們會如何運動、如何相互作用、自己的動作會對環境產生什么后果。這些推演不需要生成任何像素畫面。模型在表征里直接"感知"到物理規律的存在，從而精準輸出動作完成任務。

Being-M0.7 的四大 Demo 展示了這些能力：機器人基于對物理世界的理解，自主做出全身移動操作決策。

Demo 1：魚缸撈魚——流體、浮力等物理規律理解

「視頻文件見附件」

視頻說明：機器人走到魚缸前，手持漁網從水中撈魚。液體沒有固定形狀，會對浸入的物體產生浮力和阻力。機器人通過判斷水、漁網和魚之間的相互作用，協調手臂完成撈魚動作。

Demo 2：鏡像取物——鏡面反射的物理規律理解

「視頻文件見附件」

視頻說明：機器人走到鏡子前，根據鏡中畫面判斷隱藏物體在真實空間中的位置，并精準抓取。這個演示體現出機器人對鏡面反射原理的理解。

Demo 3：移動放置抓取——全身移動與靈巧操作的協同

「視頻文件見附件」

視頻說明：機器人走到桌前，先取出法棍放入籃子里，再取出花束，轉身離開。體現出機器人全身移動與靈巧操作的協同，并且能夠完成串聯多個子任務的長程任務。

Demo 4：搬箱避障——物理空間理解與全身運動決策

「視頻文件見附件」

視頻說明：機器人抱著箱子穿越障礙物，在第一人稱視角被箱子遮擋的情況下，依然能夠預測規劃行走路線，并自主決策，側身通過狹小區域，體現多方向移動、避障和負載感知操作的閉環。

二、基于MoT架構，Vision和Motion分工協作，實現高效數據利用

人形機器人的全身移動操作，不僅需要第一人稱視覺信息（Vision）來進行空間感知，還需要理解自身在物理世界的位置、姿態，更需要結合空間感知進行決策和規劃，輸出未來要執行的運動信息（Motion）。

但高質量的Motion數據一般通過動捕獲得，成本較高；Vision與Motion對齊的配對數據更為稀缺。在這種情況下，如何充分利用所有可用數據，是實現人形機器人領域具身基礎模型規模化的關鍵。

智在無界選擇了 MoT（Mixture-of-Transformers）這一混合 Transformer 多模態模型架構。它的核心設計是：讓視覺和運動各自有專門的"處理通道"，只在需要時交換信息。

它不僅可以處理Vision+Motion配對數據，還可以同時處理純Vision數據、純Motion數據，將這些數據高效融合利用。這不僅擴大了可用數據規模，更容易規模化訓練，也可以從概率建模角度理解為對聯合分布的邊際約束。Vision+Motion的配對數據充分發揮跨模態注意力的優勢，非配對數據則各自貢獻于對應的模態流，天然兼容模態不完備的真實世界數據。

與此同時，為了解決人類與機器人在本體形態上的根本差異，智在無界進一步引入了一套統一的運動表征，將人類運動與人形機器人軌跡納入同一表示空間。相比于僅使用可執行指令標簽進行監督的傳統方案，這套共享表征提供了更豐富的后訓練監督信號——模型可以從人類數據中提取稠密的運動級知識，而非僅依賴稀疏的任務標簽。

另外，統一的運動表征在推理階段建立了額外的運動級反饋通路，為實現協調的全身控制提供了閉環支撐。

Being-M0.7 的預訓練基于超過 10000 小時的人類第一人稱視頻數據及motion數據。在掌握了全身運動空間中的協調模式后，真機數據只需將隱式世界模型映射到具體機器人的本體運動學，即可完成基于視覺的移動操作策略訓練。因此，后訓練只需要較少樣本完成真機適配。

三、可擴展的多模態融合范式，通往更通用的具身智能

在智在無界看來，Vision-Motion MoT 架構還有一個更為深遠的意義：它確立了一套可擴展的融合范式，為具身基礎模型打開了新的可能性。

在Being-M0.7的訓練中，智在無界團隊建立起超 10000 小時的大規模混合模態預訓練數據，從過去昂貴、稀缺的機器人真機演示，拓展至海量人類行為數據。而Being-M0.7作為面向人形機器人的隱式世界動作模型，也首次實現了第一人稱視覺Vision和Motion兩個模態的聯合預訓練。

這只是起點。未來，隨著文本、音頻、觸覺等多模態數據的持續引入，模型對物理世界的理解將更加立體和完整。文本可以提供高層任務語義，音頻可以捕捉環境聲音線索，觸覺可以反饋接觸力與材質信息——這些信號與視覺、運動數據在 MoT 架構中分層融合，將讓機器人不僅能"看到"和"動起來"，還能"聽懂指令"、"感知材質"、"理解語境"。隨著數據規模的持續Scale Up，這套范式的能力邊界將持續向外拓展。

這正是具身基礎模型的發展趨勢：在預訓練中覆蓋更多模態、更多維度的數據，讓模型從單一感知通道走向全感官融合。

接下來，智在無界將圍繞 Being-M 系列模型持續迭代，不斷探索隱式世界動作模型的上限，走向真正通用的具身智能。