人形机器人过去一年最会做的事，是在视频里跑、跳、搬箱子。难点也藏在这些视频之外：真机示教太贵，动作数据太少，一台机器人学会的本事，很难直接搬到另一台机器上。
智在无界这次把答案放到了人身上。新发布的 Being-M0.7 先吃下超过 10000 小时以人为中心的混合模态数据，再用少量真机轨迹做本体适配，目标从复刻固定动作转向一套连续的全身动作：行走、转身、抓取、避障要连在同一个控制闭环里。
先学人，再落到宇树 G1
Being-M0.7 的定位是 Latent World-Action Model，面向人形机器人的移动操作任务。它避开像素级视频预测路线，改在隐空间里预测未来视觉状态和全身运动计划，再交给动作专家转成机器人可执行指令。
官方技术页把这条路线说得很直接：
“Being-M0.7 represents our first steps toward latent world-action modeling for humanoid loco-manipulation.”
自然翻成中文，就是团队把它当作“面向人形机器人移动操作的隐式世界动作模型”的第一步。
这句话的分量在数据配方里。预训练语料没有只押单一真机数据集，三路输入被混在一起：
- 第一人称视频与运动配对数据；
- 单独的第一人称视频；
- 单独的人体运动序列。
配对数据负责教模型“看到什么和身体怎么动”之间的关系，单模态数据负责扩大场景和运动覆盖面。对机器人公司来说，这条路绕开了一个现实瓶颈：人形机器人真机采集要同时记录 RGB 视角、本体感知和可执行全身指令，成本、风险和硬件排期都压着规模。
四个演示看的是全身闭环
模型落地环节用的是宇树 G1。团队搭了一套基于 PICO VR 的遥操作系统，操作者佩戴头显、两个脚踝追踪器和两个手持控制器，系统把人体姿态转换成 G1 的29 自由度全身控制指令，运动追踪控制器频率为 50Hz。
测试没有停在桌面抓取。Being-M0.7 公布了四类真机场景：鱼缸捞鱼、镜像取物、移动置物取物和搬箱避障。
鱼缸捞鱼考的是液体、工具和目标物的动态关系。5 次测试里，Being-M0.7 成功 3 次，对照模型 GR00T-N1.6 成功 1 次，另一对照为 2 次。镜像取物更刁钻，机器人看不到盒子里的物体，只能靠镜子反射推断位置；0.5 米和 1 米两种距离合计 10 次测试，Being-M0.7 成功 4 次，两组对照都只有 1 次。
这些数字不适合被读成“已经量产可用”。样本很小，任务也由团队设计。更稳妥的读法是：它把评测从单手抓取推进到全身接近、视角变化、负载和遮挡，开始逼近工厂与服务场景里更麻烦的那类动作。
行业争的其实是数据飞轮
人形机器人公司常把镜头给硬件：关节扭矩、负载、续航、售价。Being-M0.7 把问题转到另一层：硬件能动以后，模型从哪里获得持续增长的经验。
纯靠机器人真机示教，数据增长速度跟不上模型胃口；纯靠公开视频，又缺少可执行动作。智在无界这次的折中，是用人类第一人称视频和人体运动先建立视觉-运动先验，再用机器人轨迹把先验落到具体本体。
这条路线的风险也清楚。人和机器人在尺寸、重心、关节限制、触觉反馈上差异很大。统一运动表征能缩小差距，但不能消掉差距。Being-M0.7 后面要证明的，是换任务、换环境、换机器人后，成功率能不能稳定上去，演示视频的观感只能排在后面。
对中文读者有用的观察在这里：国内具身智能竞争正在从“谁先把机器人推进工厂”转向“谁能把低成本数据变成可迁移能力”。近期从 LingBot、MoWorld 到 Being-M0.7，关键词已经从单台机器转到世界模型、VLA、动作专家和数据规模。
如果这条路跑通，人形机器人的门槛会从硬件供应链继续上移到模型与数据工程。那时一家公司有没有 1 万小时、10 万小时，甚至更多可复用的人类行为数据，会和有没有好关节一样，决定它能走多远。
参考来源：机器之心/36氪；BeingBeyond 官方技术页核验模型节点、数据规模、架构和遥操作系统；CocoLoop；BeingBeyond 技术报告核验成功率口径与训练数据配方。