作者：黄奇浩
https://zhuanlan.zhihu.com/p/2066221445697508532

2026 年 7 月,BeingBeyond 团队放出了 Being-M0.7,一个专门为人形机器人全身移动操作(loco-manipulation)设计的 latent world-action model(WAM)。这之前，也有MotionWAM、Ψ₀、WholeBodyVLA 这几篇思路接近的论文,几乎可以说 2026 年上半年是”人形 WAM 元年”。

论文：Being-M0.7: A Latent World-Action Model for Humanoid Robots
链接：https://research.beingbeyond.com/being-m07/being-m07.pdf

Being-M0.7 说的”latent world model”到底是不是真正意义上的世界模型?它和主流 VLA(比如 GR00T)的”解耦”架构到底有什么本质区别?

一、问题设定:为什么人形 loco-manipulation 单独难

人形机器人做移动操作,和固定基座机械臂操作完全是两个难度量级。机械臂只需要考虑”手怎么动”,人形机器人还要同时决定往哪走、身体怎么摆、手脚怎么协调、姿态怎么维持稳定——这是一个内在的时序问题、全身问题。论文把这个赛道的困难归纳为三条:

1、人形示教数据极难规模化。你需要同步采集 ego-centric 视频、proprioception 和可执行的全身指令,还要受限于遥操作难度、安全性、硬件可得性和场景多样性,这比固定视角的机械臂数据难采得多。

2、像素级未来预测又贵又不适配人形场景。如果像素级视频生成模型(比如 WAN、Cosmos 那种)去预测未来画面,大量算力会花在和控制无关的外观细节上;人形机器人自身快速的自我运动、视角剧烈变化、身体引起的相机抖动,还会让像素级预测的目标本身就很嘈杂。

3、上下肢分离建模导致协调性差。很多既有方案高层策略只管上肢操作,下肢单独用一个粗糙的移动控制器,两者动作空间不一致,腿部被降级成只负责维持平衡,很难做出”边走边用手配合”的自然全身动作——这一点后面会看到,MotionWAM 和 GR00T 的官方 WBC 方案里都直接点名批评了这个模式。

Being-M0.7 的解法,概括成一句话就是:把”学会世界怎么演化、身体怎么协调”这件事,尽量放到不需要机器人动作标签的人类数据上去完成,再用少量机器人真机数据把这套先验知识”接地”到具体机器人的可执行指令上。数学上写成:

P(Z_Q, M_Q, a_q \mid Z_C, M_C, I, O_q) \approx \underbrace{P(a_q \mid Z_Q, M_Q, O_q, I)}_{\text{动作专家}} \cdot \underbrace{P(Z_Q, M_Q \mid Z_C, M_C, I)}_{\text{先验世界-动作模型}}

先验模型负责低频的”世界规划”,动作专家负责高频的”动作生成”,两者靠一条单向连接耦合——动作专家能读先验模型的隐藏状态,但动作信息不会反过来影响先验模型怎么处理输入。

二、为什么大家都在做 World Model:VLA 到底差在哪,WAM 主流架构是什么

2.1 VLA 卡在哪——是不是纯粹的数据问题

先明确一点:这不是”VLA不好用”。几乎所有明星人形系统(GR00T N1、π0、OpenVLA)本质上都是 VLA,而且都能跑通闭环。

真正的问题是,纯 VLA(观测+指令→动作,靠动作标签做模仿学习)这个范式本身有一个天花板,而这个天花板不是一句”数据不够”能概括的,更准确说是两层问题叠加。

第一层确实是数据问题,而且是最直接的一层:动作标注数据(尤其是人形/灵巧操作)极度稀缺、极度昂贵——需要真实机器人、需要遥操作、需要安全保障,采集速度和互联网文本/图像/视频的增长速度完全不是一个量级。

VLA作为一种模仿学习范式,性能天花板理论上由”专家动作监督”的数量和质量决定,而这恰恰是整个具身智能里最贵的一种数据。

World model 路线的核心卖点正是想办法绕开这一层:视频(尤其是无动作标签的人类视频)几乎无限,如果能把”世界怎么变化”这部分知识从视频里学出来,再只用少量动作数据做”嫁接”,训练所需的动作标签量级就能大幅压缩——这也是本文反复出现的”Being-M0.7为什么要预训练”的核心逻辑。

第二层是更深、也更容易被简化成”数据问题”但其实是监督信号结构问题的地方——即便动作数据不缺,这个问题依然存在:“观测+指令→动作”这个监督信号本身维度低、信息稀疏,模型很容易在训练分布内学到”够用就行”的捷径映射(比如”看到红色物体就往右伸手”),而不是真正建立起关于接触、物体动力学、任务进度的因果理解。

前面引用过 Being-H0.7 摘要里那句话——”稀疏的动作监督常常鼓励捷径映射,而不是学到动力学、接触和任务进度的表示”——说的就是这个。这个问题在分布外泛化、长时程多阶段任务、部分可观测场景下暴露得尤其明显:训练时看着还行,场景一换、初始位置一变就崩。

World model 通过”预测未来状态”这个辅助/主任务,强迫模型学习更密集、更贴近物理因果的表征,这是即便动作数据管够也依然值得做的事。

对人形来说,这两层问题都被放大了:动作空间更高维(全身而非单臂),还叠加了平衡这个强物理约束,纯 VLA 的动作头要同时学会语义理解和全身协调,监督信号被进一步稀释,天花板出现得更早。

所以”人形赛道格外热衷 world model”这件事,本质是”动作数据本来就贵、人形动作数据更贵”和”人形任务对物理因果理解的要求比桌面操作更高”两重因素叠加的结果——是数据问题,但不只是数据量的问题,还有监督信号密度的问题。

2.2 WAM 一定要生成视频吗——主流架构盘点

不一定,视频只是”world model”里最直观、但绝非必需的一种实现方式。World model 的本质是”用预测未来状态作为训练信号或规划基底”,这个”状态”可以是像素,也可以是别的表示。按预测目标的表征层级,目前主流大致分这几类。

像素级:直接生成未来视频帧,典型如 UniPi(文本引导视频生成当通用策略,再用逆动力学模型从生成视频反推动作)、NVIDIA Cosmos(大规模视频基座,预训练后适配下游任务)。信息量最完整但最贵,且大量容量花在和控制无关的外观细节上。
冻结/预训练特征级:不重建像素,而是预测一个现成的、训练时从未被触碰的视觉编码器(比如DINO)输出的特征,DINO-WM 和 Being-M0.7 都是这个思路。比像素轻得多,但代价是这个特征空间本身没有为”预测未来”这个任务做过任何优化,是借来的。
联合训练的 JEPA 式表征:encoder 本身作为预测训练流程的一部分被联合优化(通常带 EMA target encoder 防坍缩),预测能力反过来塑造表征本身,V-JEPA2、VLA-JEPA 是这条路线的代表,理论上比”借来的冻结特征”更贴合预测任务,但训练流程也更复杂。
离散隐动作编码:完全跳过”重建下一帧细节”这一步,自监督地学一个能解释帧变化的隐变量(通常 VQ 离散化),训练目标退化成”用隐动作预测/重建下一帧”,Genie 和后续 LAPA、IGOR、以及前面提到的 WholeBodyVLA 的 LAM 组件走的都是这条路,完全不需要真实动作标签。
结构化/符号状态:预测目标干脆不是视觉表征,而是运动学坐标、场景图这类结构化状态,Being-M0.7 的动作(motion)分支就是纯粹的头-根关键点坐标,不经过任何视觉编码器。

按”动作怎么接入”这个维度,又能分出三种主流用法。

一种是把 world model 用来做在线规划(model-based control)——训好之后不需要单独的 policy,而是在 latent 空间里用采样/优化的方式 rollout 多个候选动作序列,挑预测效果最好的执行(经典 Dreamer 系列的思路),泛化性理论上最强,但在线规划开销大,不适合人形这种要求硬实时的场景。
第二种是把 world model 的隐藏状态当条件信号喂给一个独立训练的动作头,这也是当前人形赛道(Being-M0.7、MotionWAM)的主流做法——不做在线规划,只是让动作头”看到”更丰富的未来信息,前馈直接出动作,兼顾信息密度和实时性。
第三种是把隐动作模型当成伪标签生成器,用它给海量无标签视频打”伪动作标签”,相当于把无标签视频转换成可用于标准模仿学习/VLA训练的”伪机器人数据”,world model本身不作为运行时组件,只在预训练阶段发挥作用,LAPA 这类工作走的是这条路。

Being-M0.7 在这两个维度上的选择是:表征层级选了”冻结特征级”(最轻,但代价是 DINO 特征没为这个任务优化过),动作接入方式选了”当条件信号喂给独立动作头”(不做在线规划,适配人形实时性要求)。这个组合本身没有对错,只是这几种可能性里偏保守、偏工程化的一种。

2.3 桌面操作与人形场景的具体样本

在专门为人形设计 WAM 之前,上面这几类思路已经在桌面级/机械臂操作场景里跑了几年——UniPi、Cosmos 代表像素路线,Genie、LAPA 代表隐动作路线,这些都还没有专门处理”全身”和”实时平衡”的问题。

人形场景目前的两个改造样本,分别对应像素路线和隐动作路线的延伸:

MotionWAM 更接近像素/特征路线的延伸——它确实用了一个视频 world model,策略靠中间去噪特征驱动,但额外做了”三阶段适配”把这个视频先验逐步迁移到自我中心视角和人形具身上,同时引入统一动作潜空间解决上下肢协调问题;
WholeBodyVLA 更接近隐动作路线——从低成本、无动作标签的自我中心视频里学隐动作,再接一个面向移动的 RL 策略。

而 Being-M0.7 走的是”冻结特征级+条件信号”这个组合,是这几条路线里最”轻”的一种,把复杂度让渡给了运动表征设计和 SONIC 这层现成 BFM。

三、预训练:把”看视频学运动”这件事做扎实

2.1 三条数据流,各自扮演什么角色

Being-M0.7 从超过一万小时的原始混合模态数据里,过滤、切分出三条监督流:

D = D_{VM} \cup D_V \cup D_M

D_VM(自我中心视频-动作配对流) 同时有同步的视频和动作,是唯一能约束”视觉-动作联合分布”的数据,主要来自 Nymeria(大规模自我中心多模态日常动作数据集)和 Xperience-10M(带 3D/4D 结构化标注的自我中心数据)这类需要专门动捕设备的采集。这类数据最贵,天然最稀缺。

D_V(纯自我中心视频流) 只约束视觉的边缘分布,最大来源是 Ego4D——3000 小时级别的自我中心视频集合,论文数据配方图里显示这是占比最大的一块。这类数据便宜、量大,但没法直接告诉模型身体该怎么动。

D_M(纯人体动作流) 只约束动作的边缘分布,来自 AMASS 体系下的 HumanML3D、SnapMoGen、Lafan1 等经典动捕/文本-动作数据集,规模大、动作多样性丰富,但没有对应画面。

三条流配合的逻辑很直接:D_VM 教会模型”画面和动作怎么对应”,D_V 和 D_M 分别用更容易获取的数据把视觉多样性和动作多样性各自扩量。这也是论文反复强调的贡献点——把可用的预训练监督,从千小时级的纯配对数据,扩展到万小时级。

值得注意的是,这份语料并不是全部开源的。论文明确写了,除了 Ego4D、Xperience、Nymeria、Bones-SEED、SnapMoGen、HumanML3D、Lafan1 这几个公开数据集,还混入了”部分 Being-H0.5 训练数据、部分 Being-M0.5 训练数据、以及商业采购的数据集”。具体内部数据和外购数据各占多少,论文没有披露。

2.2 视觉表征:是 DINO-WM,不是 JEPA

这是最容易被论文的命名误导的地方。论文说”predicts future states in a latent space”,很容易让人联想到 JEPA(Joint-Embedding Predictive Architecture)那种”在统一潜空间里做预测”的范式。但仔细看实现,视觉侧的做法是:

Z = E(V)

其中 E 是冻结的 DINOv3 编码器——一个纯图像自监督预训练出来的模型,训练过程从没见过动作或语言模态,在 Being-M0.7 的训练全程里也从未被微调。模型把 DINO 特征既当输入又当预测目标,这样做的好处是生成目标从像素空间降到了语义特征空间,天然把计算力从像素细节上解放出来。

这个设计思路的真正技术谱系是 DINO-WM(Zhou et al., ICML 2025)——用冻结的 DINOv2 patch 特征同时当 world model 的输入和预测目标,把 world model 和像素重建彻底解耦。Being-M0.7 视觉这一半基本是照搬这个思路。

而 JEPA 的核心特征是:encoder 本身是预测训练流程的一部分(通常还带一个 EMA target encoder 防止表征坍缩),“预测未来”这件事反过来塑造 encoder 学到的表征;多模态 JEPA 还追求不同模态通过联合目标真正对齐进同一个语义空间。Being-M0.7 完全没有做这一步——DINO 的表征空间从头到尾没有被这篇论文的训练目标碰过。

动作那一侧更明显不是”学出来的 latent”。所谓”统一头-根运动表示”其实是手工设计的运动学坐标向量——只保留头、双手、双脚共 5 个关键点位置,经过 canonicalize(去掉初始朝向、对齐地面坐标系),本质是结构化 3D 坐标,不是任何编码器的输出。

视觉特征(DINO 空间)和动作向量(3D 坐标空间)各自过一个独立的可学习线性投影,映射到 Mixture-of-Transformers(MoT)骨干的同一个 hidden dimension,再靠共享注意力层交换信息——“统一”发生在架构层面(共享 attention),而不是表征层面(不存在一个联合训练出来的共同 embedding space)。

2.3 MoT 架构:从零训练的小模型,不是站在 WAN 肩膀上

Being-M0.7 的 prior 模型是一个 Mixture-of-Transformers:视觉和动作两路各自独立的 LayerNorm、QKV 投影、FFN,但共享同一个注意力算子,让”每个有效的视觉 token 都能跨时间和动作 token 交换信息”。

两路还都会交叉注意力到指令特征上,一个 flow timestep 的正弦嵌入通过自适应 LayerNorm 调制每个模态的计算。

架构规模上,prior 模型是 30 层、hidden width 768、24 个注意力头,视觉 FFN 扩展比 6、动作 FFN 扩展比 2。这个规模大致是几百 M 参数级别,和 WAN、Cosmos 这类十亿到百亿参数级的视频生成基座完全不是一个量级。

论文全文没有任何一处提到从某个现成视频生成 checkpoint 初始化 MoT——被复用的预训练组件只有冻结的 DINO(视觉)和冻结的 DistilBERT(文本),MoT 骨干本身看起来是随机初始化,在自建的万小时语料上从零训练出来的。

这里有个术语陷阱要提醒:论文里的”Pre-Training”指的是”第一阶段在人类数据上的训练”(相对于第二阶段机器人数据上的”Post-Training”),不是”加载别人训练好的大模型再微调”的意思。

2.4 训练目标:整块并行去噪,不是 next-token 预测

Being-M0.7 用 flow matching 训练,对每个未来 token x_0(可能是视觉 latent 或动作向量),采样高斯噪声 \epsilon 和时间步 \tau \sim U(0,1):

x_\tau = (1-\tau)x_0 + \tau\epsilon, \quad u^\star = \epsilon - x_0

关键的架构细节是注意力掩码:前 K 帧是干净的上下文 token,未来区间(按超参 T=25、K=5,也就是未来 20 帧、5Hz 下约 4 秒)的 token 全部被加噪,所有加噪的未来 token 互相之间非因果、并行地相互 attend,一次性把整块未来 video-motion 序列去噪出来。

这不是 LLM 式的 next-token 自回归,也不是视频模型常见的 next-frame 预测,而是扩散/flow matching 式的整块并行生成。

每个模态的损失是分开算的:

L_V = \frac{1}{|\Omega_V|}\sum_{t\in\Omega_V}\|u_\theta^V(z_\tau,t,\tau,I,Z_C) - u_t^{V\star}\|_2^2,\quad L_M = \frac{1}{|\Omega_M|}\sum_{t\in\Omega_M}\|u_\theta^M(m_\tau,t,\tau,I,M_C)-u_t^{M\star}\|_2^2

配对样本同时激活 L_V 和 L_M,纯视频样本只激活 L_V,纯动作样本只激活 L_M。

这里要澄清一个容易误解的点:视觉 token 和动作 token 在共享注意力层里确实会互相看到对方、交换信息,不是两条完全隔离的流各算各的;

但落到最终监督信号上,输出头是分开的,损失函数是两个回归损失直接相加,没有显式的联合分布损失项去耦合两者。

准确的刻画是”前向传播时跨模态有交互,监督目标却是逐模态独立的“——比”完全独立”更耦合一点,但也远达不到”联合建模一个耦合分布”的程度。

有动作目标的样本(配对流和纯动作流)还会加一个几何感知辅助损失 L_{geom} = \lambda_{traj}L_{traj} + \lambda_{local\text{-}vel}L_{local\text{-}vel},约束全局头部/根部轨迹和局部末端速度的物理一致性。最终预训练目标是三条流各自损失的期望加和:

\min_\theta \mathbb{E}_{s\sim D_{VM}}[L_V+L_M+L_{geom}] + \mathbb{E}_{s\sim D_V}[L_V] + \mathbb{E}_{s\sim D_M}[L_M+L_{geom}]

超参方面:输入分辨率 224×224,prior 帧率 5Hz,AdamW 优化器,预训练 batch size 256/GPU、学习率 2e-4、warmup 10 epoch。

三、后训练:真机数据怎么把先验”接地”

3.1 后训练用的是真机数据,不是人类 video-motion pair

这一点值得单独强调,因为很容易被论文的宏大叙事带偏:预训练阶段用的是人类中心的三条流,但后训练阶段完全切换到机器人真实轨迹,不再涉及人类数据。

这些真机数据来自 4.1.2 节描述的 VR 全身遥操作系统:操作员戴 PICO VR 头显、两个脚踝追踪器、两个手柄,XRoboToolkit 实时估计操作员的 SMPL 姿态,再由 SONIC 把估计出的姿态转换成 50Hz 的 29 自由度全身控制指令,在 Unitree G1 上执行并同步记录自我中心 RGB、本体感知和动作指令。

更有意思的是,这份真机数据被一分为三继续复用预训练时的监督机制:

机器人头部相机拍到的画面继续走同一个冻结 DINO 编码器算 L_V;
机器人自己的里程计和关节状态通过正向运动学,算出和人类动作同一套”头-根”表示,继续算 L_M(这正是统一运动表征真正派上用场的地方——机器人的动作也能塞进同一个运动空间当监督信号,而不只是最终的可执行指令);
真正的可执行指令(SONIC 控制 token + 灵巧手开合)用来训练动作专家,算动作 flow matching 损失 L_A。

先验模型参数 \theta 在这一步也继续被更新,不是冻结的,最终后训练目标是:

\min_{\theta,\phi} L_V(\theta) + L_M(\theta) + \lambda_a L_A(\theta,\phi)

3.2 动作专家:一个小得多的 flow-based transformer

动作专家只有 6 层、hidden width 384、8 个注意力头,通过交叉注意力接入 prior 模型第 1、7、13、18、24、30 层(共 30 层里挑 6 层,大致均匀分布)的隐藏状态,再叠加当前机器人观测(自我中心图像用同一个冻结 DINO 编码、本体感知经学习投影)。

采用 ACT 式的动作分块(action-chunking)策略,给定真值动作块 a_q = a_{q:q+h-1},同样用 flow matching 预测速度场。后训练超参:batch size 128/GPU、学习率 1e-4、warmup 1000 步。

3.3 推理时的频率解耦

先验模型和动作专家都用 10 步 flow matching 去噪。先验模型大约每 3.5 秒刷新一次,产出的中间表示被缓存成 KV cache;动作专家在这期间以 50Hz、每 0.4 秒一个动作块反复查询同一份缓存,单次查询耗时不到 0.01 秒,一次先验推理大约支撑 9 次动作查询。

这个设计把”低频世界规划”和”高频闭环执行”解耦开,动作专家每次查询都能拿到最新的机器人观测做实时修正,而不需要每次都重新跑一遍先验模型。

3.4 平衡这件事,论文交给了 SONIC

一个容易被忽略、但其实是全文最关键的工程细节:Being-M0.7 的动作专家根本不直接输出关节指令。附录 A.4 写得很直接——”we only focus on the WBC setting. For this setting, we use SONIC. The action expert predicts the universal control token required by SONIC along with the dexterous-hand open/close commands”。

也就是说,平衡、动力学可行性这些人形机器人最难的部分,完全外包给了 SONIC 这个预训练好的、冻结的通用全身运动追踪器(behavior foundation model,BFM)。数据采集阶段用的”GMT”(General Motion Tracker)也是同一个 SONIC。

这不是 Being-M0.7 独有的取巧,而是整个赛道的共识:NVIDIA 官方的 GR00T-WholeBodyControl 框架给 GR00T N1.5/N1.6 提供的两种部署方案里,一种是被普遍诟病的”下肢 RL+上肢 IK”分离式 WBC,另一种正是”GEAR-SONIC”——用同一个 SONIC 做统一全身控制。

换句话说,Being-M0.7 和它拿来对比的 baseline GR00T-N1.6,很可能共享同一个物理执行层,实验对比的其实是上层”认知模型”的差异,而不是谁的机器人更不容易摔。

这也回答了一个更普遍的问题:不管认知层是像素级视频生成(WAN 式)还是潜在特征预测(DINO-WM 式)还是纯 VLA,只要要部署到真实人形机器人上,几乎都得在下面接一层 WBC/BFM——因为平衡需要 100Hz 到 1kHz 级别的硬实时安全保证,这不是靠扩大生成模型规模能解决的问题,而是一个通常需要大规模 RL 单独训练、自带物理稳定性保证的正交问题。

五、实验:真实机器人上的正面交锋

Being-M0.7 在 Unitree G1(双 7 自由度机械臂 + Linker Hand O6 灵巧手 + RealSense D435i 头部相机)上评测了四个真实任务:镜像找玩具(推理隐藏物体位置+抓取)、水箱捞鱼(工具使用+视觉反馈)、桌面整理(长时程多阶段操作)、避障搬篮子(协调移动+负重操作)。定量对比集中在前两个任务上,对手是 GR00T-N1.6 和 Ψ₀:

方法	镜像(近)	镜像(远)	捞鱼	总计
GR00T-N1.6	1⁄5	0/5	1⁄5	2⁄15
Ψ₀	0/5	1⁄5	2⁄5	3⁄15
Being-M0.7	3⁄5	1⁄5	3⁄5	7⁄15

数字上 Being-M0.7 领先明显,但要客观看:每个格子只有 5 次试验,4⁄10 vs 1⁄10 这种差距置信区间其实很宽,论文也没有做消融实验去拆解”这个优势到底来自 WAM 范式本身,还是来自这个团队的数据配方/工程细节更好”。

定性案例部分展示了四个任务的完整全身行为序列,证明系统在闭环条件下确实能协调感知、移动和灵巧操作,但作为科学证据,样本量偏小是这篇论文(以及这整个赛道大部分论文)都存在的通病。

六、几个值得多想一层的问题

6.1 “Latent world-action model” 这个名字有点大

前面已经拆过:视觉侧是冻结 DINO 特征预测(DINO-WM 谱系),不是 JEPA;动作侧是手工设计的运动学坐标,不是学出来的表征;跨模态”统一”靠的是共享注意力架构,不是联合训练出的共同表征空间。

所以”latent”更准确的含义是”预测发生在一个压缩过的、非像素的空间里”——这是一个务实的工程选择(省算力、避开像素噪声),而不是”学到了一个跨模态统一表征”这种更强的表征学习主张。

6.2 它和 VLA 的”解耦”,本质区别不在架构

π0(冻结/微调的 VLM 骨干 + 独立 flow-matching 动作专家,交叉注意力连接)和 GR00T N1(VLM+扩散动作模块)早就是两阶段架构了,“decouple 一个 backbone 和一个轻量动作头”根本不是 WAM 的专利。

真正的区别在于被解耦出来那部分的预训练目标是什么:VLA 里的 VLM 是在静态图文数据(captioning、VQA)上练出来的,学的是”这是什么/在哪里”的语义先验,从没被要求预测过未来;

Being-M0.7 的 prior 是显式训练成”预测未来视频+动作”的时序生成模型,预训练语料本身就是视频和动作序列。所以两边”解耦出来的那一半”里装的是不同种类的先验知识——这个界限更多是程度差异(预训练目标的重心),而不是有没有解耦的有无之分。

6.3 humanoid WAM 赛道目前普遍在”回避”像素级视频生成

MotionWAM(同期、同平台 Unitree G1)恰好是反例:它真的用了一个视频 world model,策略靠这个模型的中间去噪特征驱动,三阶段学习框架逐步把视频 world model 适配到自我中心视觉动态和目标人形具身上,报告称比同数据微调的 VLA baseline 高出 30% 以上的成功率。

这和 Being-M0.7 刻意避开像素级/视频生成、走 DINO 冻结特征这条轻量路线,形成了这个细分赛道里目前最直接的一组技术路线对照。

而”真正的 JEPA”(encoder 参与预测训练、联合塑造表征)目前主要还停留在桌面/机械臂操作 benchmark(比如 VLA-JEPA 用 V-JEPA2 做 target encoder,测试集是 LIBERO、SimplerEnv),还没有看到一个严格意义上的 JEPA + 人形全身 loco-manipulation 的组合系统——这算是当前文献里一个真实的空白。

6.4 这个领域现在很难做严格的横向对比

Being-M0.7 自建了万小时语料、自建了机器人硬件和采集管线、自定义了四个任务,对比的两个 baseline 也是在自己的场地上跑的,每格 5 次试验。这不是个例——数据采集是这个领域的护城河,团队有动机把自建数据当差异化优势而不是共享资源,而且不同人形硬件之间的差异让统一 benchmark 天然困难(不像图像分类可以共享 ImageNet)。

好消息是领域已经开始意识到这个问题:SIMPLE 提供了 60 个任务、50 个场景的统一仿真测试床,主打仿真训练策略零样本迁移到真实人形机器人;

RoboDojo 是另一个统一 sim-and-real 基准;IEEE Humanoids 2026 大会甚至计划直接公开对比学术机器人和商业平台在同一套任务流程上的表现。

但这些努力大多还停留在仿真侧,真实机器人上的严格横向评测依然非常早期。

七、写在最后:怎么看待这类论文

Being-M0.7 不是那种”某个模块有算法突破”的论文,它更像一次系统性的工程整合的多模态架构、flow matching 的生成目标、SONIC 这样的现成 BFM,以及一套精心设计的人-机共享运动表征,拼装成一个:把 DINO-WM 式的冻结特征预测、Mixture-of-Transformers 能在真实人形机器人上跑通闭环的系统。

它的核心贡献更多在于数据配方(把可用预训练数据从千小时级扩展到万小时级)和运动表征的桥接设计(让人类动捕数据能直接监督机器人后训练),而不是某个单点的算法创新。

从 Being-M0.7 看人形机器人的 WAM 路线