国产VLA模子开源！35000小时锻炼数据全球最大规模

　　Being-H0。5通过整合数万小时人类视频以及当前全球几乎所有支流机械人构型的操做数据，正在视觉‑言语‑动做（VLA）使命中展示出较强的跨本体泛化能力——无论硬件形态若何差别，不变施行。

　　这一手艺径正在必然程度上降低了具身智能手艺的研发门槛，使得企业无需投入巨额资金建立数据“护城河”，便可依托以报酬核心的进修范式（human-centric learning），开辟适配多元本体的通用算法。

　　夹杂监视（多方针优化）：正在统一个序列上按照数据特点使用分歧的丧失函数。如针对文本数据（如 VQA、活动描述）的Next-token Prediction；针对离散人类动做的Masked Token Prediction，针对持续人类和机械人数据，则正在同一空间内前进履做预测（Action Prediction）等。

　　正在Being‑H0。5 之前，尚未有研究测验考试将如斯多异构本体数据同一用于锻炼——其焦点挑和正在于，分歧机械人的形态空间取动做空间差别庞大，间接夹杂锻炼极易激发“数据冲突”，导致模子难以或泛化。

　　同一序列化建模：不再为人类演示、机械人轨迹和视觉文本数据设立的锻炼流水线，而是将它们成同一的多模态token序列。正在这个序列中，视觉和文本担任供给布景消息，而同一的“形态/动做”Token 则承载物理交互信号。

　　为定量评估模子机能，团队正在 LIBERO、RoboCasa 等普遍利用的评测基准长进行了测试。正在仅依赖仿照进修取纯 RGB 视觉输入的前提下，模子平均取得了 98。9% 取 54% 的成功率，不只超越了 π0。5、GR00T 等所有已知 VLA 模子，以至优于部门借帮强化进修取 3D 模态的方案，展示出较强的SOTA机能和合作力。

　　▲UniHand取现有VLA数据集规模对比：超3。5万小时和30余本体，正在规模和多样性上提拔了3倍以上？。

　　正在同一动做空间的根本上，Being‑H0。5 提出了一套完整的以报酬核心的预锻炼范式。具体包罗？。

　　正在海量、多源数据的下，模子展示出较强的跨本体取复杂使命施行能力，以至可以或许完成 “用按压喷壶浇花” 这类以往夹爪式机械人难以实现的操做。

　　保守的VLA，特别是近期风行的基于flow-matching架构的模子，其模子容量因为参数大小存正在，这导致VLA正在夹杂异构数据进行预锻炼时的机能下降，同时也障碍了模子泛化到各类复杂下逛使命的能力。为了降服这个问题， 团队针对性地进行了一系列架构立异。

　　Being Beyond不只公开了预锻炼取后锻炼的全数模子参数，还供给完整的锻炼取评估代码，以及一套可复现1000+ GPU小时锻炼的细致配方。将来，其还将逐渐开源实机摆设代码取接口。

　　UniHand2。0数据集总时长跨越3。5万小时，囊括14，000 小时的机械人操做数据， 16，000 小时的人类视频数据，以及5000小时通用多模态数据，总锻炼 token 数冲破 1200 亿。这是全球初次正在机械人范畴进行如斯大规模、跨本体的数据整合测验考试。

　　起首，受大模子 MoE 架构，团队设想了Mixture-of-Flow（MoF）架构，将动做专家（action expert）解耦为担任进修通用的活动原语（如：物体若何活动）的共享专家，以及通过机械人由，担任特定形态精准施行的特化专家。

　　取以往仅基于“轮式底盘 + 双臂夹爪”范式的研究（如 π 系列工做）分歧，UniHand2。0 初次实现了跨本体的大规模数据融合，汇集了跨越30种分歧硬件构型的多样化数据，涵盖了从桌面机械臂到双脚机械人正在内几乎所有已知的机械人形态。

　　机能方面，Being-H0。5正在大规模预锻炼下，即便只微调2%的模子参数也能达到90%以上的相对performance；其正在LIBERO和RoboCasa达到SoTA，还实现了全球最快的端侧摆设速度，正在Orin-NX上达到及时。

　　为处理上述难题，BeingBeyond 团队提出了同一动做空间框架，将双脚人形、轮式底盘、桌面机械臂、夹爪、工致手等形态万千的机械人，映照到统一特征暗示空间中，从而无效支持跨本体结合锻炼取学问迁徙。

　　Being-H0。5的推出，为具身智能范畴供给了一种新的手艺范式思：高质量锻炼数据并非必需源于自建的高成本机械人集群。针对“若何高效适配多元本体、低成本获取优良锻炼数据”这一焦点行业挑和，Being-H0。5将视角转向人类本身这一最丰硕、最天然的数据源泉。

　　为验证 Being‑H0。5 的跨本体能力，研究团队正在 PND、G1、Franka 等分歧构型的人形机械人、机械臂本体长进行了大量实机尝试。

　　针对人类视频遍及缺乏高质量标注的痛点，团队还设想了一套名为UniCraftor的便携、可扩展、低成本的人类视频采集系统。

　　这种融合的预锻炼体例能让模子能正在从人类行为中提取高层级的、可迁徙的交互逻辑（先验）的同时，从机械人数据中提炼高精度的活动节制学问。

　　正在四组使命上展开的定量评测尝试中，Being-H0。5无论是generalist（多本体数据夹杂锻炼，难度更大）仍是specialist（单一本体数据分隔锻炼，较简单），同时，Being-H0。5-generalist模子正在平均机能表示上和specialist持平，展示出其跨本体维度上的强大泛化能力。

　　Being-H0。5基于human-centric learning，涵盖30种分歧本体（是π0。5的5倍），可以或许实现超强跨本体泛化，对同样一批使命，只需锻炼一次，就能摆设正在5个分歧本体上。

　　此外，针对现实摆设中的发抖和延迟问题，团队引入了流形连结门控（Manifold-Preserving Gating， MPG）以确保正在恍惚时模子能退回到鲁棒的先验分布；以及通用异步分块（Universal Async Chunking， UAC）手艺，使统一个模子能完满适配分歧节制频次和延迟的机械人硬件。

　　当前具身行业，无论是机械人设想、数据采集方案（如 UMI、保守遥操做），仍是使命设想，素质上都正在仿照人类，以报酬核心。而人类本身，就可被视为所有下逛机械人的“原型模板”。