當世界模型首次在端側實現(xiàn)實時運行，具身智能由此真正邁入可規(guī)模化復制的階段。

在具身智能浪潮回涌的這兩年，仿真、真機與人類視頻，始終構成數(shù)據(jù)來源的“鐵三角”。從早期研究對仿真數(shù)據(jù)的高度依賴，到去年各地真機數(shù)采中心的集中爆發(fā)，再到今年，人類視頻正逐漸走向舞臺中央，成為驅動模型能力躍遷的關鍵變量。

4月14日，BeingBeyond（智在無界）發(fā)布最新具身世界模型Being-H0.7。在將人類視頻規(guī)模擴展至 20 萬小時的基礎上，該模型首次將人類視頻學習建立在“隱式推理”的世界模型范式上，并在 6 項國際權威評測中取得綜合第一的成績，進一步展示了其在連續(xù)動態(tài)場景、流體、柔性物體及復雜物理交互中的能力邊界。

主頁鏈接:

https://research.beingbeyond.com/being-h07

論文鏈接:

https://research.beingbeyond.com/projects/being-h07/being-h07.pdf

01

從1000到 20 萬小時，

人類視頻路線開創(chuàng)者的長期主義

時間回到 2025 年，整個行業(yè)仍沉浸在 Physical Intelligence（PI）系列所帶來的突破之中。沿著這一范式，各大廠商開始大規(guī)模建設真機數(shù)據(jù)采集體系，試圖以“更多真實數(shù)據(jù)”驅動模型能力提升。

但在彼時，智在無界基于長期多模態(tài)預訓練的經(jīng)驗，已率先意識到這一路徑的內(nèi)在瓶頸：數(shù)據(jù)工廠所產(chǎn)生的樣本，在背景、任務、物體乃至操作軌跡上高度同質，容易讓模型過擬合于封閉環(huán)境，難以泛化到真實世界的復雜場景。

幾乎同期，NVIDIA 在 GR00T 中提出“數(shù)據(jù)金字塔”框架，將數(shù)據(jù)劃分為塔尖（真實數(shù)據(jù)）、塔身（合成數(shù)據(jù)）與塔底（人類視頻）。當行業(yè)仍在加碼“塔尖”時，智在無界則將目光投向塔底——人類視頻所蘊含的規(guī)模與多樣性。

正如其創(chuàng)始人、北京大學盧宗青教授所判斷：

“人類視頻天然與真實世界對齊，其分布式采集帶來的多樣性，是集中式真機數(shù)采難以替代的。它更有潛力成為具身模型的核心燃料。”

基于這一判斷，盧宗青與其團隊于2025年 7 月發(fā)布了 Being-H0——全球首個以大規(guī)模人類視頻為核心預訓練數(shù)據(jù)，并成功部署到機器人系統(tǒng)中的具身模型。將數(shù)據(jù)規(guī)模首次提升至 1000 小時，H0標志著“人類視頻驅動具身學習”路線的正式確立。

作為這一技術路線的開創(chuàng)者，智在無界并未止步。僅隔數(shù)月，團隊于今年 1 月推出 Being-H0.5，將規(guī)模擴展至 1.5 萬小時，成為全球首個邁入“萬小時級”人類視頻預訓練的玩家。這一進展顯著早于 NVIDIA 的 DreamDojo、EgoScale 及 Generalist AI 的 GEN-1 等后續(xù)工作，體現(xiàn)出團隊在該方向上的前瞻布局。借助人類結構作為通用操作模板，H0.5 已展現(xiàn)出顯著的跨本體、跨場景泛化能力。

4月14日，在Generalist AI推出GEN1不到兩周之時，智在無界推出的Being-H0.7進一步將這一路線推向極致——人類視頻總量提升至 20 萬小時，全世界僅有GEN-1達到這一規(guī)模。

相比前代H0.5，Being-H0.7 最重要的突破是提出了一種世界模型新范式：基于海量人類視頻，以隱式推理的方式進行訓練 。

以 NVIDIA 的 Cosmos Policy、DreamZero 等為代表的視頻生成式世界模型路線，通過“生成未來畫面”的方式來輔助動作生成。這類方法能得到不錯的可視化結果，但卻存在兩大局限：其一是計算開銷極高，無法實時端側部署；其二是2D圖像的生成無法精確對真實物理空間進行動力學建模（如流體，柔性物體等），容易停留在“視覺合理”而非“物理正確”。

作為世界模型，Being-H0.7舍棄了這種低效的動力學建模，其設計更貼近人類的行為方式：

在高速運動中，人類并不會逐幀預測未來畫面，而是依賴一種長期經(jīng)驗積累形成的“物理直覺”——對運動趨勢、受力結果及操作后果的快速判斷。比如看到迎面而來的乒乓球時，運動員不會在腦海中想象下一秒的所有細節(jié)，而是會下意識地調(diào)動手臂準確揮動球拍。

為了讓模型具有類似“非想象式”的快速判斷能力，Being-H0.7通過在模型內(nèi)部引入一塊“思考空間”用于潛空間推理，將當前觀察、任務目標以及對未來的判斷壓縮到這一中間表示中，再由它統(tǒng)一指導未來的動作生成。

如果說隱式推理為模型提供了理解世界的機制，那么海量人類視頻則提供了能力的“來源”。

人類的物理直覺不僅來自個體經(jīng)驗，也源于物種長期演化積累的運動經(jīng)驗。對于模型而言，只有在足夠規(guī)模與多樣性的行為數(shù)據(jù)中，才能內(nèi)化類似的規(guī)律。

基于此，智在無界構建了超過 20 萬小時的人類操作視頻數(shù)據(jù)。通過對海量真實行為的學習，模型能夠在潛移默化中捕捉物體運動規(guī)律、交互模式及失敗邊界，從而形成更穩(wěn)定的泛化能力。

在實驗結果上，Being-H0.7 在 6 項世界權威具身評測中取得綜合第一（其中 4 項登頂全球榜首）。更關鍵的是，H0.7的世界理解與交互能力已經(jīng)體現(xiàn)在真實環(huán)境中：它可以在高速傳送帶上完成動態(tài)分揀與上架；跟隨移動容器進行精確傾倒； 預測滑動物體軌跡并完成接取；也能在狹小空間內(nèi)完成插入、定量倒液，甚至處理柔性物體等任務。

02

全球首個端側實時部署

率先突破世界模型商業(yè)瓶頸

作為具身模型賽道的領頭羊，除了在人類視頻學習這一技術路線上的持續(xù)引領，以及在數(shù)據(jù)規(guī)模與模型能力上的長期領先，智在無界在模型商業(yè)化部署層面，同樣處于全球第一梯隊。

早在今年 1 月發(fā)布 Being-H0.5-2B 時，智在無界便率先實現(xiàn)了模型在 NVIDIA Jetson Orin NX 端側算力上的實時部署，并順利通過長時間運行的穩(wěn)定性驗證。即便在今天，依然鮮有國內(nèi)具身模型公司擁有此項能力。

這一工程能力的背后，是團隊長期積累的大規(guī)模多模態(tài)預訓練與系統(tǒng)落地經(jīng)驗。圍繞實際部署需求，智在無界自研了一整套推理優(yōu)化體系，覆蓋模型量化、壓縮蒸餾、CUDA 算子編譯以及異步推理調(diào)度等關鍵環(huán)節(jié)，實現(xiàn)了從訓練到部署的全鏈路打通。

在具身智能賽道上，智在無界始終堅持“兩條曲線”并行推進：一條是以人類視頻為核心的數(shù)據(jù) Scaling Law，不斷抬升模型理解世界的能力上限； 另一條則是推理成本與延遲曲線，持續(xù)壓縮模型在真實機器人系統(tǒng)中的部署成本與響應時延。

在這一理念下，Being-H0.7 的部署被進一步優(yōu)化至極致：其平均推理延遲低至3.61 ms/step，推理速度相比業(yè)內(nèi)以效率著稱的模型（如 Fast-WAM）提升超過10 倍，顯存占用僅為同類方案的約 50%。與 Cosmos-policy、DreamZero 等視頻生成式世界模型相比，其推理效率更是實現(xiàn)了50 倍以上的提升。

更具標志性的是，智在無界首次在端側計算平臺Orin NX（約 75 TOPS）上，實現(xiàn)了 Being-H0.7 的實時部署。這意味著，其已成為業(yè)內(nèi)首個在同等算力芯片上完成世界模型實時運行的團隊。

端側算力、世界模型、實時運行——這三者長期以來被認為難以兼顧，而智在無界在同一系統(tǒng)中同時實現(xiàn)，意味著其在推理成本、模型能力與系統(tǒng)效率這三個關鍵維度上，均已達到當前行業(yè)的最先進水平。

03

人類視頻預訓練+數(shù)采閉環(huán)

驅動通用能力與專家能力的“兩級躍遷”

從 H0 到 H0.5，再到如今的 Being-H0.7，作為人類視頻路線的開創(chuàng)者，智在無界在不到一年的時間內(nèi)，實現(xiàn)了模型能力與數(shù)據(jù)規(guī)模的三次迭代。目前，團隊已構建起超過 20 萬小時的人類視頻數(shù)據(jù)體系，并預計在今年底進一步擴展至 100 萬小時量級。

這一前所未有的數(shù)據(jù)規(guī)模，為 Being-H 系列模型帶來了高度多樣化的真實世界分布，顯著提升了跨場景泛化能力，推動模型實現(xiàn)“通用能力”的關鍵躍遷。相比之下，依賴封閉環(huán)境與集中式采集的數(shù)據(jù)工廠，盡管在規(guī)模與可控性上具備優(yōu)勢，但在分布多樣性與真實復雜性方面存在天然瓶頸，難以支撐模型真正走向開放世界。

如果說大規(guī)模人類視頻數(shù)據(jù)奠定了“通用能力”的基礎，那么第一視角人類數(shù)據(jù)的采集體系，則成為模型邁向“專家能力”的關鍵支點。然而在當前行業(yè)中，數(shù)據(jù)采集與模型訓練普遍割裂，導致大量高成本數(shù)據(jù)難以被有效利用。“過去一年我們收集了大量外部數(shù)據(jù)，也經(jīng)歷過一次性丟棄數(shù)千小時數(shù)據(jù)的情況，”盧宗青指出，“當前數(shù)采體系仍處于早期階段，與大模型領域成熟的數(shù)據(jù)管線相比，仍存在明顯差距。”

對于具身領域來說，要彌合這一割裂，就必須同時具備大規(guī)模預訓練和高質量數(shù)據(jù)采集的能力：只有深度參與大規(guī)模預訓練，才能建立對數(shù)據(jù)的敏感度，從而設計出合理的數(shù)據(jù)格式、配比與數(shù)采硬件；高質量的數(shù)據(jù)采集體系，則如同為模型提供精準的“營養(yǎng)配方”，決定其能力上限。基于這一認知，智在無界率先打通了“大規(guī)模預訓練—數(shù)據(jù)采集”的閉環(huán)，成為業(yè)內(nèi)少數(shù)具備全鏈路能力的團隊。

這一閉環(huán)優(yōu)勢的集中體現(xiàn)之一，是智在無界團隊不久前發(fā)布的BeingBeyond U1，作為全球首款 Real DexUMI 設備，U1，實現(xiàn)了“無本體、低成本、真實場景”的規(guī)模化數(shù)據(jù)采集，可同步獲取視覺、動作與觸覺等多模態(tài)信號，并將人手精細操作高保真映射至機器人靈巧手。相比傳統(tǒng)真機采集，U1 的數(shù)據(jù)獲取效率提升超過 10 倍，同時實現(xiàn)“所采即所得”，無需重定向即可直接用于訓練，顯著降低了數(shù)據(jù)使用門檻與精度損耗。

這一能力有效彌補了現(xiàn)有數(shù)采方案在工業(yè)流水線等高精度場景中的關鍵短板，使模型能夠快速掌握復雜裝配、柔性交互等專家級技能，在實際任務中將成功率提升至 90% 以上。隨著 U1 進入真實的工業(yè)流水線等專業(yè)場景，Being-H0.7 進一步完成了從“通用”到“專家”的能力躍遷：一方面依托大規(guī)模人類視頻與世界模型架構，實現(xiàn)對復雜物理環(huán)境的理解與泛化；另一方面借助高質量場景化數(shù)據(jù)，深入垂直領域，獲得高精度、可落地的專家能力。

這也揭示了具身智能商業(yè)化的核心路徑：通用能力解決“能用”，而專家能力決定“好用”。以通用能力為底座，以場景化數(shù)據(jù)為抓手，逐步向垂直領域深化，正是具身智能走向規(guī)模化落地的“最后一公里”。

04

尾聲H0.7首個世界模型商業(yè)化部署

智在無界重塑具身模型賽道

從“能理解”到“能行動”，從“實驗室指標”到“真實世界生產(chǎn)力”，Being-H0.7 的意義，已經(jīng)不止于一次模型性能的躍升，而是對具身智能落地路徑的一次關鍵重構。當世界模型首次在端側實現(xiàn)實時運行，長期被視為“不可能三角”的能力、成本與效率，開始在同一系統(tǒng)中收斂，具身智能也由此真正邁入可規(guī)模化復制的階段。

更深層次來看，這一突破并非孤立發(fā)生：其背后是人類視頻預訓練所支撐的通用能力底座，是“隱式推理”所帶來的世界理解范式躍遷，也是數(shù)據(jù)閉環(huán)體系驅動的專家能力持續(xù)進化。三者疊加，使得模型不再只是“會做任務”，而是逐漸具備在開放環(huán)境中穩(wěn)定工作的能力。

當行業(yè)仍在不同路徑之間反復試探時，智在無界通過 H0.7 給出了一條更具確定性的答案——以人類視頻為核心燃料，以世界模型為認知與行動中樞，以端側部署為落地形態(tài)，打通從數(shù)據(jù)到模型、從理解到執(zhí)行的完整鏈路。這不僅是一次模型發(fā)布，更像是具身智能從“技術競賽”走向“產(chǎn)業(yè)基礎設施”的分水嶺時刻。隨著 H0.7 的落地，具身模型的競爭邏輯，正在被重新定義。

未經(jīng)「AI科技評論」授權，嚴禁以任何方式在網(wǎng)頁、論壇、社區(qū)進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。