機器人前瞻（公眾號：robot_pro）
作者 許麗思
編輯 漠影

機器人前瞻1月20日報道，今天， Being Beyond發(fā)布跨本體VLA模型Being-H0.5，并已在GitHub、HuggingFace上進行完整開源。

Being Beyond不僅公開了預訓練與后訓練的全部模型參數(shù)，還提供完整的訓練與評估代碼，以及一套可復現(xiàn)1000+ GPU小時訓練的詳細配方。未來，其還將逐步開源真機部署代碼與接口。

Being-H0.5通過整合數(shù)萬小時人類視頻以及當前全球幾乎所有主流機器人構型的操作數(shù)據(jù)，在視覺?語言?動作（VLA）任務中展現(xiàn)出較強的跨本體泛化能力——無論硬件形態(tài)如何差異，模型皆能快速適應、穩(wěn)定執(zhí)行。

Being-H0.5基于human-centric learning，涵蓋30種不同本體（是π0.5的5倍），能夠實現(xiàn)超強跨本體泛化，對同樣一批任務，只需訓練一次，就能部署在5個不同本體上。

性能方面，Being-H0.5在大規(guī)模預訓練加持下，即使只微調2%的模型參數(shù)也能達到90%以上的相對performance；其在LIBERO和RoboCasa達到SoTA，還實現(xiàn)了全球最快的端側部署速度，在Orin-NX上達到實時。

一、構建全球規(guī)模最大的訓練數(shù)據(jù)集，總時長超3.5萬小時

UniHand2.0數(shù)據(jù)集總時長超過3.5萬小時，囊括14,000 小時的機器人操作數(shù)據(jù)， 16,000 小時的人類視頻數(shù)據(jù)，以及5000小時通用多模態(tài)數(shù)據(jù)，總訓練 token 數(shù)突破 1200 億。這是全球首次在機器人領域進行如此大規(guī)模、跨本體的數(shù)據(jù)整合嘗試。

與以往僅基于“輪式底盤 + 雙臂夾爪”范式的研究（如 π 系列工作）不同，UniHand2.0 首次實現(xiàn)了跨本體的大規(guī)模數(shù)據(jù)融合，匯集了超過30種不同硬件構型的多樣化數(shù)據(jù)，涵蓋了從桌面機械臂到雙足機器人在內幾乎所有已知的機器人形態(tài)。

▲UniHand與現(xiàn)有VLA數(shù)據(jù)集規(guī)模對比：超3.5萬小時和30余本體，在規(guī)模和多樣性上提升了3倍以上

在Being?H0.5 之前，尚未有研究嘗試將如此多異構本體數(shù)據(jù)統(tǒng)一用于訓練——其核心挑戰(zhàn)在于，不同機器人的狀態(tài)空間與動作空間差異巨大，直接混合訓練極易引發(fā)“數(shù)據(jù)沖突”，導致模型難以收斂或泛化。

為解決上述難題，BeingBeyond 團隊提出了 統(tǒng)一動作空間框架，將雙足人形、輪式底盤、桌面機械臂、夾爪、靈巧手等形態(tài)各異的機器人，映射到同一特征表示空間中，從而有效支撐跨本體聯(lián)合訓練與知識遷移。

二、以人為中心的訓練范式

當前具身行業(yè)，無論是機器人設計、數(shù)據(jù)采集方案（如 UMI、傳統(tǒng)遙操作），還是任務設計，本質上都在模仿人類，以人為中心。而人類本身，就可被視為所有下游機器人的“原型模板”。

針對人類視頻普遍缺乏高質量標注的痛點，團隊還設計了一套名為 UniCraftor 的便攜、可擴展、低成本的人類視頻采集系統(tǒng)：

在統(tǒng)一動作空間的基礎上，Being?H0.5 提出了一套完整的以人為中心的預訓練范式。具體包括：

統(tǒng)一序列化建模：不再為人類演示、機器人軌跡和視覺文本數(shù)據(jù)設立獨立的訓練流水線，而是將它們轉化成統(tǒng)一的多模態(tài)token序列。在這個序列中，視覺和文本負責提供背景信息，而統(tǒng)一的“狀態(tài)/動作”Token 則承載物理交互信號。

混合監(jiān)督（多目標優(yōu)化）：在同一個序列上根據(jù)數(shù)據(jù)特點應用不同的損失函數(shù)。如針對文本數(shù)據(jù)（如 VQA、運動描述）的Next-token Prediction；針對離散人類動作的Masked Token Prediction，針對連續(xù)人類和機器人數(shù)據(jù)，則在統(tǒng)一空間內進行動作預測（Action Prediction）等。

這種融合的預訓練方式能讓模型能在從人類行為中提取高層級的、可遷移的交互邏輯（先驗）的同時，從機器人數(shù)據(jù)中提煉高精度的運動控制知識。

三、面向跨本體的模型架構升級

傳統(tǒng)的VLA，尤其是近期流行的基于flow-matching架構的模型，其模型容量由于參數(shù)大小存在限制，這導致VLA在混合異構數(shù)據(jù)進行預訓練時的性能下降，同時也阻礙了模型泛化到各種復雜下游任務的能力。為了克服這個問題， 團隊針對性地進行了一系列架構創(chuàng)新。

首先，受大模型 MoE 架構啟發(fā)，團隊設計了 Mixture-of-Flow（MoF） 架構，將動作專家（action expert）解耦為負責學習通用的運動原語（如：物體如何運動）的共享專家，以及通過機器人感知路由，負責特定形態(tài)精準執(zhí)行的特化專家。

▲MPG和UAC模塊示意圖

此外，針對現(xiàn)實部署中的抖動和延遲問題，團隊引入了 流形保持門控（Manifold-Preserving Gating, MPG）以確保在感知模糊時模型能退回到魯棒的先驗分布；以及通用異步分塊（Universal Async Chunking, UAC）技術，使同一個模型能完美適配不同控制頻率和延遲的機器人硬件。

四、跨本體復雜任務執(zhí)行能力強，基準測試超越π0.5、GR00T

為驗證 Being?H0.5 的跨本體能力，研究團隊在 PND、G1、Franka 等不同構型的人形機器人、機械臂本體上進行了大量真機實驗。

▲Being-H0.5在不同構型本體上均進行了廣泛驗證實驗

在海量、多源數(shù)據(jù)的加持下，模型展現(xiàn)出較強的跨本體與復雜任務執(zhí)行能力，甚至能夠完成 “用按壓噴壺澆花” 這類以往夾爪式機器人難以實現(xiàn)的操作。

▲跨本體真機任務

在四組任務上展開的定量評測實驗中，Being-H0.5無論是generalist（多本體數(shù)據(jù)混合訓練，難度更大）還是specialist（單一本體數(shù)據(jù)分開訓練，較簡單），性能表現(xiàn)都遠優(yōu)于僅能依托單一本體訓練的 π-0.5模型。同時，Being-H0.5-generalist模型在平均性能表現(xiàn)上和specialist持平，展現(xiàn)出其跨本體維度上的強大泛化能力。

▲真機實驗性能對比

為定量評估模型性能，團隊在 LIBERO、RoboCasa 等廣泛使用的評測基準上進行了測試。在僅依賴模仿學習與純 RGB 視覺輸入的條件下，模型平均取得了 98.9% 與 54% 的成功率，不僅超越了 π0.5、GR00T 等所有已知 VLA 模型，甚至優(yōu)于部分借助強化學習與 3D 模態(tài)的方案，展現(xiàn)出較強的SOTA性能和競爭力。

▲RoboCasa對比結果，Being-H顯著超過π0.5、GR00T等先進VLA

結語：依托以人為中心的技術范式，降低具身智能研發(fā)門檻

Being-H0.5的推出，為具身智能領域提供了一種新的技術范式思路：高質量訓練數(shù)據(jù)并非必須源于自建的高成本機器人集群。針對“如何高效適配多元本體、低成本獲取優(yōu)質訓練數(shù)據(jù)”這一核心行業(yè)挑戰(zhàn)，Being-H0.5將視角轉向人類本身這一最豐富、最自然的數(shù)據(jù)源泉。

這一技術路徑在一定程度上降低了具身智能技術的研發(fā)門檻，使得企業(yè)無需投入巨額資金構建數(shù)據(jù)“護城河”，便可依托以人為中心的學習范式（human-centric learning），開發(fā)適配多元本體的通用算法。