看了20萬小時「人類干活實錄」，機器人悟了

剛剛，機器人圈公認最難的「家務大考」RoboCasa-365，榜首換人了。

新紀錄62.6%，比之前的SOTA直接高出8.4個百分點。

要知道，這個榜上大部分模型還在50%以下掙扎。

更有意思的是，登頂的這個名字，之前幾乎沒人聽說過：Riemann-1.0，黎曼動力。

一查，好家伙，首秀。這個模型才剛在WAIC 2026上正式發布。

跑分說明不了一切，我又去翻了它的真機視頻。

隨手點開一段機器人收拾餐桌的demo，只能說，榜單沒騙人。

薄薄貼在桌面上的勺子，夾得起來；碗里剩的湯，知道先倒了再收；完事了還順手把桌子擦干凈。

視頻地址：https://mp.weixin.qq.com/s/KIBoK4IAklhdmU21fCIyVg

（完了，估計連老媽以后的臺詞都要改了：連機器人都比你眼里有活兒~）

再往上扒，黎曼動力背后站著的是昆侖萬維——前者正是昆侖萬維專為具身智能方向成立的子公司。

一個新面孔，憑什么首秀就登頂？

答案藏在它的「食譜」里：23.2萬小時訓練數據中，占大頭的根本不是機器人數據，是人的視頻。

沒錯，人做飯、疊衣服、收拾桌子的第一視角視頻。

造機器人大腦，行業吵出了新共識

為什么是「人的視頻」？這還要從具身智能領域吵了一年多的路線之爭說起。

VLA和世界模型，誰代表機器人的未來？行業曾為此分裂成鮮明兩派。

兩派各有優劣，為便于大家做對比，這里我直接放了一張AI生成的圖表：

△圖片由AI生成

簡單總結就是，VLA屬于「直覺派」，快但容易翻車；世界模型則屬于「深思派」，穩但是又慢又貴。

吵著吵著大家發現：算了，既然各有優劣，那不如來一個取長補短？

于是，兩條路線開始合流。

今年6月，英偉達西雅圖機器人實驗室發布了一篇長文綜述，文章的核心判斷是：

World Action Model（WAM，世界動作模型）已經從VLA研究里的小眾分支，迅速長成了機器人基礎模型的第二條主路線，而下一代機器人基礎模型，大概率是兩者的混合體。

△圖源：英偉達官方技術博客

ICML 2026上，包括LeCun團隊在內的多篇論文也在往同一個方向使勁：

從海量無標注的野外視頻（in-the-wild videos）里學習潛在動作世界模型。

△圖源：ICML官網

把這些工作放在一起看，一條正在被越來越多團隊驗證的訓練范式浮出水面：

先用大規模開放世界視頻做預訓練，讓模型看遍人類怎么和物理世界打交道，攢夠物理直覺；再用少量真實機器人數據做動作對齊，把直覺翻譯成可執行的控制信號。

這就解釋了，為什么下一代機器人大腦，都盯上了「人的視頻」。

對機器人來說，人類每天的生活就是一場不間斷的操作示范。做飯、疊衣服、整理房間，這些第一視角視頻里，藏著人類怎么感知環境、規劃動作、處理意外的全部秘密。

而且這類數據要多少有多少，場景豐富，還在源源不斷地增長。

實際上，行業里少部分前沿玩家已經看到了這點。比如Being-H0.7用了20萬小時第一視角人類視頻，Generalist AI的GEN-1更是砸了50萬小時可穿戴設備采集的人類數據。

作為其中之一，Riemann-1.0的獨特之處在于：

它是國內較早把這條范式完整工程化跑通的選手，從仿真Benchmark到真機均獲得驗證的那種。

而它之所以能跑通，關鍵在于解決了一個核心難題：人類視頻里沒有機器人動作標簽。

沒錯，再漂亮的范式，也有自己的問題要解決。

人疊衣服的視頻看得再多，機器人手臂該轉多少度、夾爪該用多大力，視頻里一個字都沒寫。

看得懂，做不出。

20萬+小時人類干活的視頻，怎么變成機器人手上的活兒？

這正是Riemann-1.0故事的起點。

23.2萬小時視頻，怎么變成機器人的手藝

Riemann-1.0，一款面向通用機器人操作的世界模型（World Action Model）。

從名字就能看出來，它正是前文說的「混合體」：

VLA的手它有（直接出動作），世界模型的腦它也有（預演世界演化），兩派的活兒，一個模型全包了。

而它要攻克的，正是行業面前那道共同的坎：

怎么把沒有動作標簽、來源五花八門的開放世界數據，變成機器人可執行的控制能力，而且要跨機器人本體通用。

Riemann-1.0的解法，用做菜來類比，可以拆成三步。

Part 1：準備食材

數據就是食材。

仔細一掃Riemann-1.0的案板，只見上面擺著這樣「三道菜」：

• 「廣菜」：20萬+小時人類第一視角視頻；
• 「精菜」：1.2萬+小時UMI與外骨骼手套數據；
• 「準菜」：2萬+小時機器人真機與仿真軌跡。

三種數據來源，23.2萬小時訓練數據，覆蓋41種機器人本體、數千種交互方式。

就這個規模，不得不說，已經足夠機器人把人間煙火看個遍了（doge）。

△圖片由AI生成

不過，食材多，不等于能直接開席。

尤其是占大頭的那道「廣菜」：20萬+小時人類視頻，沒洗沒切，連動作標簽都沒有，沒法直接下鍋。

怎么辦？先備菜。

Part 2：備菜

黎曼動力為此自研了一套自動化人類數據處理流水線，專門負責洗菜切菜。

這套流水線怎么干活？不妨在頭腦中想象，你正在跟著一段視頻走一遍：

一段「人在廚房切菜的第一視角」視頻進廠，第一件事是擺正。

魚眼鏡頭的畸變、歪了倒了的畫面，統統矯正成正視圖，方便后面下刀。

接著VLM上場，把長視頻切成一個個細粒度動作，給每一段配上任務描述、動作指令、場景和物體信息。

切完還得過兩輪一致性校驗，標得對不上的，推倒重來。

切好的片段緊接著過質檢。

畫面里人太多的、動作沒意義的、遮擋嚴重的、活兒沒干完的、不是第一視角的、手出了畫面的，六類廢片，直接進垃圾桶。

活下來的片段，迎來整條流水線上最核心的一步：給手建3D模。

系統檢測并追蹤畫面里的手，重建出完整的手部姿態，再配合相機位姿估計，把手的運動軌跡換算進世界坐標系，最后做整段平滑。

到這一步，視頻里「手怎么動」，第一次變成了機器可讀的3D坐標。

當然，重建的質量也得把關。

手看不清的、動得太快的、鏡頭晃太狠的，按閾值再篩一輪，和前面的語義質檢互為補充。

最后一步是裝盤：按場景、任務、動作、技能、物體五個層級分好類，均衡配比，防止模型偏食。

一段段視頻這樣走下來，海量「人類干活的錄像」，就變成了一本機器人能讀懂的「動作教材」。

P.S. 另外兩道菜由于自帶夾爪傳感，業界已有相對成熟的處理流水線，這里就不多展開了。

Part 3：炒菜

食材備好，現在終于可以開火了。

炒菜講究方法和火候，對應到模型上，就是架構和訓練策略。

架構上，Riemann-1.0基于擴散架構，提出了全因果動作-視頻聯合建?？蚣?/strong>，把視覺動態、環境狀態和機器人動作序列，放進同一個生成過程中統一學習。

這意味著，模型不只是知道「眼前看到了什么」，還在學習「動作會如何改變環境，以及下一刻世界可能變成什么樣」。

而為了讓同一個模型適配41種不同形態的機器人本體，Riemann-1.0進一步設計了本體專屬的動作映射模塊：

共享對世界的理解，同時保留不同機器人的「肢體適配能力」。

說到底，它試圖打造的是一個負責理解環境、預測變化的「通用世界大腦」，然后通過不同機器人的動作適配器，把這種理解轉化為具體的執行能力。

再說火候。

訓練分三段，秘訣藏在一組數字里：動作損失權重0.1→0.5→0.9。

• 第一階段，小火慢燉。用Latent Action Model從海量人類視頻里提取偽動作信號，動作權重只給0.1，讓模型安心看片，先學會物理世界的運行規律。
• 第二階段，中火調味。引入UMI和機器人真實動作數據做校準，權重拉到0.5，把偽動作空間平滑過渡到真實控制空間。
• 第三階段，大火收汁。純機器人數據集中強化，權重推到0.9，火力全開練出能直接上崗的真功夫。

從「以理解世界為主」漸進切換到「以執行動作為主」，有點像大模型訓練里從預訓練到對齊的路徑，只不過載體從文本換成了物理世界的動作。

好了，菜出鍋了，該嘗嘗味道了。

加一味人類視頻，猛漲14.4個百分點

首先要驗證的就是那個靈魂問題：繞這么大一圈用人類視頻，真的有用嗎？

消融實驗給出了非常硬的答案。

在專門考察長序列家務能力的RoboCasa-365上，模型從頭訓練，成功率38.2%；加機器人數據預訓練，43.4%，漲5.2個百分點；再加UMI數據，48.2%，又漲4.8個百分點。

然后，加入人類視頻數據：62.6%。

一下子猛增了14.4個百分點，比前兩類數據的增益加起來還多。

Riemann-1.0團隊認為：

這說明人類數據帶來的遠不止「更多訓練樣本」，它給模型灌進了更豐富的物體交互方式、動作語義和任務先驗，直接抬高了模型在沒見過的場景里的泛化上限。

另一組嚴格控制變量的實驗更狠。

在專為雙靈巧手人形機器人設計的EgoVLA基準測試中，同樣的模型、同樣的機器人數據，僅僅比較加不加人類視頻預訓練：

長程多階段任務的成功率，從42.96%干到71.11%，暴漲28個百分點；

換成完全沒見過的視覺背景，也從26.36%提到43.33%。

任務鏈越長、場景越陌生，人類數據的價值越大。

搞定這個基礎性問題，最后來看整體成績單。

先看仿真端的三張考卷：

• LIBERO，業內常用的標準操作評測，考基本功，Riemann-1.0成功率99.0%；
• RoboTwin 2.0，主打雙臂協作任務的仿真基準，成功率94.3%；
• RoboCasa-365，前面說的最難家務大考，62.6%，登頂SOTA。

顯而易見，Riemann-1.0基本功評測穩居第一梯隊，而優勢最明顯的，恰恰是RoboCasa-365這種強調家庭長流程、跨場景泛化的考試。

不過，仿真刷榜終究是模擬考，真機上崗才是真考驗。

上崗之前，團隊先給模型安排了一輪「崗前實訓」：針對真實落地場景的專項后訓練。

他們搭建了四類代表性的家務考場：有序積木堆疊，考精準操控和指令理解；柔性布料折疊，考形變物體的交互處理；桌面雜物整理和廚房餐具收納，考雜亂居家環境下的長流程連續操作。

示范數據靠人工遙操作采集，四類場景合并做聯合訓練。

為了公平，參與對比的開源基座模型也拿同樣的數據、同樣的訓練步數做了后訓練，站在同一條起跑線上。

結果Riemann-1.0平均成功率85.00%，過程完成度（衡量長流程中間步驟推進的指標）94.43%，兩項都在所有對比方法里排名第一，領先最好的開源模型15個百分點。

而且四類任務成功率全部超80%，每項的過程完成度都在91%以上。

翻譯翻譯，不光結果能干成，中間每一步也走得穩，長流程不掉鏈子。

視頻地址：https://mp.weixin.qq.com/s/KIBoK4IAklhdmU21fCIyVg

從仿真登頂到真機上崗，Riemann-1.0把「看人類視頻學干活」這條路，從頭到尾走通了。

One More Thing

最后說回黎曼動力本身?？吹竭@家公司第一眼，我就在想：

昆侖萬維，一個印象中涉足AI游戲、AI音樂、AI短劇等內容賽道的公司，怎么突然干起機器人了？

還專門成立一個子公司獨立運營？

理了理，背后其實是兩條邏輯線的交匯。

一條屬于行業。為什么人人都在談具身智能、世界模型這些？本質上是因為交互方式正在發生變革。

人和AI的交互，前幾年靠文字、圖片、音視頻；接下來，AI要開始伸手碰物理世界了。

內容公司做機器人，看似突兀，放進這個大轉向里，只是早晚問題。

另一條屬于昆侖萬維自己。它的下場，早有鋪墊。

早前那些高頻的模型更新就不說了，就說這次它主辦的《世界模型與多模態范式躍遷》論壇，其實一共亮相了三款模型：

• Matrix-3.5世界模型（升級）：可交互能力實現躍遷，打通數字孿生與具身智能底層底座；
• Mureka v9.5（升級）：AI音樂創作走向量產級落地；
• 機器人模型Riemann-1.0（首發）：打通世界模型與實體機器人交互閉環。

看出門道了嗎？前兩個管數字世界的生成，第三個開始伸手碰真實世界。

尤其是世界模型這塊底座，一頭連著游戲和視頻；另一頭，第一次連上了實體機器人。

數字牌打滿，下一張落在物理世界，水到渠成。

兩條線在這里交匯，就有了黎曼動力。

至于為什么單獨成立公司？昆侖萬維的邏輯并不復雜：

機器人這種硬核賽道沒有速勝，得讓核心團隊獨立發展、配上專屬資源、做長期投入。

母公司出算力、出生態，團隊專心跑技術，各展所長。

一套動作下來，昆侖萬維，這家幾年前就把「實現AGI」寫進公司使命的玩家，第一次真正把手伸進了物理世界。

AGI的上半場在屏幕里，下半場，在屏幕外。

方向已明，剩下的，就看誰跑得快了。