【导读】7月15日，通用具身基础模型公司智在无界BeingBeyond正式发布Being-M0.7——全球首个全身移动操作隐式世界动作模型(Latent WAM)。这不是一个只能让机器人'看到'世界的模型，而是一个能让机器人'理解'世界如何运转、并据此做出全身移动操作的模型。它打通了从视觉感知到全身移动、再到灵巧操作的完整链路，让机器人不再局限于桌面及操作任务，而是成为真正具备人类全身协调能力的智能体。
Being-M0.7通过超 10000 小时的人类第一人称视频预训练和极小样本真机适配，在'隐空间'(latent space)中，基于隐式视觉信息和运动信息推演物理变化，让机器人在真正理解物理世界的基础上，通过全身移动操作与物理世界交互。
在被具体化为机器人可执行的指令之前，模型先从大规模以人为中心的数据中学习了三项核心能力：视觉上下文理解、未来状态预测、以及人形运动学结构的隐式表征。换言之，模型在“学会控制”之前，已经先“学会了理解”。
论文链接：https://research.beingbeyond.com/being-m07
► 从Being-H到Being-M，智在无界持续引领隐式世界动作模型范式
智在无界是全球率先押注大规模人类视频训练路线的具身智能企业，也是全球极少数同时布局通用灵巧操作与移动操作模型的创新公司，更是国内首个推出原生隐空间世界动作模型的团队。
今年4月，智在无界发布了Being-H0.7，将数据规模扩展至 20 万小时人类第一人称视频。在 6 项国际性权威评测中，H0.7 综合排名全球第一，同时也是首个覆盖跨本体、跨场景、连续动态、流体、柔性物体、物理规律与上下文推理等七大关键维度的通用具身世界模型。
Being-M0.7是这一隐式世界动作模型路线的最新成果，也是全球首个将隐式世界动作模型能力从'桌面灵巧操作'扩展到'全身移动操作'的模型。隐式世界动作模型让机器人建立对物理世界的'内心推演'：不只是识别眼前的物体，还要预判它们会如何运动、如何相互作用、自己的动作会对环境产生什么后果。这些推演不需要生成任何像素画面。模型在表征里直接'感知'到物理规律的存在，从而精准输出动作完成任务。
Being-M0.7 的四大 Demo 展示了这些能力：机器人基于对物理世界的理解，自主做出全身移动操作决策。
► 基于MoT架构，Vision和Motion分工协作，实现高效数据利用
人形机器人的全身移动操作，不仅需要第一人称视觉信息(Vision)来进行空间感知，还需要理解自身在物理世界的位置、姿态，更需要结合空间感知进行决策和规划，输出未来要执行的运动信息(Motion)。
但高质量的Motion数据一般通过动捕获得，成本较高；Vision与Motion对齐的配对数据更为稀缺。在这种情况下，如何充分利用所有可用数据，是实现人形机器人领域具身基础模型规模化的关键。
智在无界选择了MoT(Mixture-of-Transformers)这一混合Transformer多模态模型架构。它的核心设计是：让视觉和运动各自有专门的'处理通道'，只在需要时交换信息。
它不仅可以处理Vision+Motion配对数据，还可以同时处理纯Vision数据、纯Motion数据，将这些数据高效融合利用。这不仅扩大了可用数据规模，更容易规模化训练，也可以从概率建模角度理解为对联合分布的边际约束。Vision+Motion的配对数据充分发挥跨模态注意力的优势，非配对数据则各自贡献于对应的模态流，天然兼容模态不完备的真实世界数据。
与此同时，为了解决人类与机器人在本体形态上的根本差异，智在无界进一步引入了一套统一的运动表征，将人类运动与人形机器人轨迹纳入同一表示空间。相比于仅使用可执行指令标签进行监督的传统方案，这套共享表征提供了更丰富的后训练监督信号——模型可以从人类数据中提取稠密的运动级知识，而非仅依赖稀疏的任务标签。
另外，统一的运动表征在推理阶段建立了额外的运动级反馈通路，为实现协调的全身控制提供了闭环支撑。
Being-M0.7 的预训练基于超过 10000 小时的人类第一人称视频数据及motion数据。在掌握了全身运动空间中的协调模式后，真机数据只需将隐式世界模型映射到具体机器人的本体运动学，即可完成基于视觉的移动操作策略训练。因此，后训练只需要较少样本完成真机适配。
► 可扩展的多模态融合范式，通往更通用的具身智能
在智在无界看来，Vision-Motion MoT 架构还有一个更为深远的意义：它确立了一套可扩展的融合范式，为具身基础模型打开了新的可能性。
在Being-M0.7的训练中，智在无界团队建立起超10000小时的大规模混合模态预训练数据，从过去昂贵、稀缺的机器人真机演示，拓展至海量人类行为数据。而Being-M0.7作为面向人形机器人的隐式世界动作模型，也首次实现了第一人称视觉Vision和Motion两个模态的联合预训练。
这只是起点。未来，随着文本、音频、触觉等多模态数据的持续引入，模型对物理世界的理解将更加立体和完整。文本可以提供高层任务语义，音频可以捕捉环境声音线索，触觉可以反馈接触力与材质信息——这些信号与视觉、运动数据在 MoT 架构中分层融合，将让机器人不仅能'看到'和'动起来'，还能'听懂指令'、'感知材质'、'理解语境'。随着数据规模的持续Scale Up，这套范式的能力边界将持续向外拓展。
这正是具身基础模型的发展趋势：在预训练中覆盖更多模态、更多维度的数据，让模型从单一感知通道走向全感官融合。
接下来，智在无界将围绕 Being-M 系列模型持续迭代，不断探索隐式世界动作模型的上限，走向真正通用的具身智能。
