BeingBeyond發布最強世界模型，具身行業開啟“大腦紀元”

當20萬個小時的人類視頻，被壓縮進一塊端側芯片，會意味著什么？

或許這代表著第一個可端側部署、可商用的具身世界模型，真的來了。

這也是人類視頻路線的開創者BeingBeyond，在這個具身世界模型走向分水嶺時，所交出的滿分答卷。

當機器人從Demo表演走向真實環境，難以真正理解環境、理解任務，更難在變化中持續做出判斷。越來越多的人意識到——機器人學習行動的方式，本身就值得重來一遍。

作為基于大規模人類行為數據訓練、能夠在不同機器人之間遷移，并在真實環境中執行復雜任務的具身智能世界模型，Being-H0.7，正是BeingBeyond對這個問題的最新回答。

Being-H0.7放棄了高算力、高延遲、難以部署的視頻生成式方案，轉而用一種更接近人類物理直覺的隱空間推理方式，在模型內部直接完成對未來狀態和動作結果的判斷。

這也使得Being-H0.7能夠進一步把世界模型壓進端側硬件與實時運行場景，成為業內首個可在端側部署，可商用的世界模型。

而BeingBeyond作為業內首個提出人類視頻預訓練的玩家，在過去不長的時間內，即對外展現了人類視頻預訓練、模型部署和數據采集閉環全棧技術體系。

這套閉環的技術體系正在讓具身智能由通用基座+專家能力的兩級躍遷，成為行業可規模化落地的契機所在。對于一個長期停留在展示層面的行業來說，BeingBeyond作為深耕具身大腦模型的代表性玩家，巨大的商業價值正在被看見。

論文鏈接:

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

理解世界的另一條路

具身智能走到今天，行業其實已經默認了一套相對主流的技術推進邏輯：先讓機器人能動起來，再讓它準確地動，最后再去逼近更復雜的任務理解與執行能力。

沿著這條思路，過去幾年行業逐漸形成了幾種主流方法。第一類是VLA，第二類是世界模型，第三類是直接通過遙操作采集真機數據，它們分別對應三種不同的期待：VLA希望解決“理解”，世界模型希望解決“預測”，遙操作希望解決“落地”。

這些方法都有價值，也推動了機器人能力的快速進展。問題在于，它們大多建立在訓練數據主要來自機器人本體本身，這一相對有限的前提。這意味著，模型學到的能力很容易被鎖定在特定硬件、特定任務和特定場景里。

尤其是世界模型這條路，到了真實部署階段，問題會暴露得更明顯。

英偉達的Cosmos Policy、DreamZero等方案，仍然在沿著預測下一步畫面的方式，希望通過想象未來的視頻幀來輔助當前動作決策。但一方面，視頻生成本身對算力要求高，很難做到端側實時運行；另一方面，圖像終究是二維信息，對流體、柔性物體、復雜接觸等三維動力學過程的表達非常有限，很多時候只能生成看起來合理、但卻難以支撐真實操作的動作。

在這個節點，BeingBeyond給出了另一種判斷。在他們看來，如果機器人最終要面對的是人類世界，那么訓練它的數據也不應該只是機器人自己產生的數據，而應該是規模更大、分布更接近真實世界的人類行為數據。

比起讓機器人反復學習“某一只手怎么抓某一個物體”，更關鍵的可能是先讓它理解，人類在真實世界里是如何完成動作、組織任務、處理交互的。

這也是BeingBeyond選擇從人類視頻出發的原因。相比依賴真機和遙操作，人類視頻的規模更大、場景更多、任務更豐富，能夠為模型提供一種更接近真實分布的行為先驗。沿著這條路徑，機器人有機會學到跨場景、跨任務、跨本體遷移的行動能力。

基于這種思路，Being-H0.7沒有繼續沿著視頻生成式世界模型往前推，而是轉向了一條更接近人類物理直覺的路線。Being-H0.7在模型內部引入一塊隱空間，用來壓縮當前觀察、任務目標和對未來變化的判斷，再由這塊中間表示直接指導動作生成。

這種做法更像人類在現實中的反應方式。打乒乓球時，運動員不會先在腦子里生成下一秒的完整畫面，再決定怎么揮拍；更多時候，依賴的是長期經驗積累下來的快速判斷，知道物體會怎么運動、受力之后會發生什么、什么動作大概率會失敗。Being-H0.7試圖讓模型學到的，正是這種接近“潛意識”的物理直覺。

為了讓這種判斷真正成立，BeingBeyond又往前補了一層基礎：超過20萬小時的人類視頻預訓練。海量人類行為數據的意義，不只是規模大，更在于其中天然包含了大量隱含的物理規律和任務結構。模型在這些數據里學到的，也不只是動作本身，而是動作背后的條件、結果和約束。

在實驗結果上，Being-H0.7在6項榜單上H0.7綜合排名全球第一（其中4項登頂），成為當前覆蓋能力范圍最廣的具身世界模型之一。

最終，Being-H0.7把世界模型的信息壓縮了至少百倍，開始真正進入端側硬件和實時運行場景，Being-H0.7可在端側計算平臺Orin NX（約75TOPS）上進行實時部署。這意味著，BeingBeyond也成為業內首個在同等算力芯片上部署世界模型實時運行的團隊。

機器人的下一步進化

在具身智能這樣一個高度工程導向的領域里，路徑分歧往往來自一個并不“技術”的源頭——團隊如何定義問題。

機器人本體，是中國大多數團隊的起點，畢竟這是中國團隊更擅長、也更容易落地的一條路徑。順著這個起點，大家往往圍繞具體硬件優化控制策略，通過遙操作積累數據，再在單一本體上反復打磨模型能力。

這種方式既是能力結構的延續，也是一條更容易走通的路徑，在很長一段時間里推動了機器人能力的快速提升。但它也在無形中強化了一個前提——數據來自機器人本體本身，能力也隨之被鎖定在具體硬件和場景之中。

BeingBeyond的起點與大多數中國團隊并不相同，這種差異，很大程度上來自創始人盧宗青看待問題的方式。和許多圍繞具體本體反復打磨控制策略的團隊不同，作為科學家，盧宗青更習慣先追問一個更前置的問題：如果目標是通用能力，模型究竟應該從什么樣的數據里學習？

對于多數機器人團隊來說，數據首先是遙操作、是真機、是和具體硬件強綁定的；但對他來說，機器人最終要面對的是人類所處的物理世界，那么更接近真實任務分布的數據，未必只存在于機器人本體上，也可能首先存在于人類行為本身。

基于這種認知，BeingBeyond最早在業內提出了以人類視頻進行模型預訓練，并以此構建了一套模型訓練、部署、數據采集的閉環技術能力體系。

沿著這一思路，團隊逐步發展出以人類行為為核心的訓練范式。一方面，通過大規模人類視頻構建行為先驗，讓模型不再從零學習動作；另一方面，通過統一動作空間，將不同機器人本體映射到同一表達體系中，使這些先驗能夠在不同硬件之間遷移。再結合多模態建模能力，將視覺、語言與動作統一到同一序列中進行訓練，形成所謂的human-centric learning路徑。

Being-H系列模型是這一認知路徑的自然延伸。

稍早的Being-H0.5已經驗證了一個關鍵假設，即在足夠規模的人類行為數據與多本體數據共同作用下，模型可以在不同機器人之間遷移，并在復雜任務中保持穩定表現。通用模型第一次在跨本體維度上接近專用模型的能力邊界。

Being-H0.7，則開始強化在真實環境中的穩定性與任務完成度——包括在更復雜場景下的連續操作能力、多步驟任務中的誤差控制，以及不同本體之間更高效的適配能力。

H0.5證明human-centric learning能走通，而H0.7證明了這條路能真正走進現實場景。

在這套體系里，Being-H系列解決的是最上層的問題：即機器人如何獲得通用能力。Being-Dex處理的是更貼近業務的一層——這些能力如何在具體場景中快速落地；而U1則把問題再往前推一步，回答高質量數據從哪里來、如何持續獲得。

三者對應的是一個相對清晰的結構：模型層提供通用具身智能的基座能力，適配層把新任務的學習周期壓縮到30分鐘級，數據層則通過靈巧手數據采集系統，將數據范式從過去的夾爪操作，推進到更接近真實人類操作的表達方式。BeingBeyond搭建了從數據采集，到模型訓練，再到任務部署的生產鏈。

這樣的閉環，在過去很長一段時間里很難見到。原因在于，具身智能的三個關鍵要素長期是割裂的：數據難以規模化獲取，模型能力不足以支撐跨場景泛化，而部署又高度依賴具體本體。

全新產業結構下的機會

最近幾年，能夠觀察到業內一個明顯的趨勢是，本體與具身大腦開始分化，并且整個市場的目光包括資本，開始越來越多的聚焦在具身大腦板塊。

這種趨勢建立在幾個前提之上：

一是數據的變化。以人類視頻為代表的海量數據，讓具身模型第一次擁有了可以持續擴展的訓練來源；二是模型能力的變化，大模型在多模態建模上的進展，使視覺、語言和動作的統一建模成為可能；三是工程體系的變化，數據、訓練和部署逐漸形成閉環，開始能夠在真實環境中反復迭代。

這進一步帶來的變化是，越來越多機器人本體公司，選擇把智能外置。

從商業角度看，自研模型的成本依然很高。一套完整的具身模型體系，意味著持續的數據投入、算力開銷和團隊建設，年成本往往在千萬級別以上，而外部模型一旦具備通用能力，可以在多個場景中復用，邊際成本明顯更低。

從效率角度看，本體公司更現實的需求，是快速上線新任務、在不同場景中復用能力，同時控制研發投入，而不是從零開始反復訓練模型。

當本體和大腦不再必須綁定在一起，分工的空間就出現了。隨之而來的一個問題是，什么樣的具身大腦公司具備真正的價值？在行業越來越聚焦到落地可行性的當下，毫無疑問的是，距離大規模商業化的距離越近，其價值越能被看見。

目前業內的一個共識是，“通用能力打底、專家能力專精”，則是通往規模化落地的一個最可行路徑。

BeingBeyond所構建的人類視頻打底，為模型場景及構型的泛化提供基礎，即所謂的通用能力；而在垂直落地場景落地的專家能力，U1完美彌合了真實場景數據采集的最后一塊拼圖，為模型提供大規模高質量的真實場景專家數據。

這種從人類視頻路線開始，到數據采集的閉環，讓BeingBeyond的行業價值被看見。作為少數同時具備人類視頻預訓練、模型部署和數據采集閉環全棧自研能力的公司之一，BeingBeyond目前已與國內多家頭部具身本體公司建立了合作關系。

變化正在發生。曾經每家具身公司都試圖同時做本體、數據和模型，投入重、鏈條長，也很難快速做出成果；未來，更清晰的具身智能的產業結構或許會逐漸形成，一類公司專注機器人本體和場景落地，另一類公司專注通用智能能力的提供。

從這個角度看，Being-H0.7的出現，更像是一個信號，具身智能開始從各自為戰，走向更明確的分工體系。