近日，BeingBeyond团队正式发布新一代具身智能模型Being‑H0.7。这一次，他们没有走行业主流的参数扩容、数据堆叠老路，也没有继续在视频生成式世界模型上堆砌算力，而是跳出VLA框架的修补式迭代，给出一条全新技术路径——隐空间世界‑动作建模 。
Being‑H0.7的核心原理在于机器人无需一帧帧渲染未来画面，就能完成精准物理推理与动态预判。训练成本大幅下探，推理速度与标准VLA模型持平，真实机器人可接住高速滚动小球、精准转移液体、折叠柔性衣物，还能稳定完成动态传送带分拣。当全行业还在“效果”与“效率”之间两难取舍时，这支团队，走出了第三条路。
PART 01
两条主流路线触顶：机器人始终没学会“真实物理”
过去两年，具身智能赛道被两条技术路线主导：VLA（视觉‑语言‑动作模型）与世界模型。二者各有突破，却都卡在落地瓶颈，难以兼顾能力与效率。
VLA是当前落地最广泛的方案，输入图像与文本指令，模型直接输出机器人关节动作，RT‑1、RT‑2、π0、Being‑H0.5等明星模型均属此类，推动单任务机器人操作进入实用阶段。
但致命缺陷从未解决：动作监督数据稀缺、场景极度单一。机器人演示数据采集成本高、覆盖范围有限，模型只能学到观测与动作的浅层关联，根本没掌握物理规则。遇到液体倾倒、柔性物体操控、运动目标追踪等需要预判的场景，立刻暴露短板——动作僵硬卡顿、完全跟不上物体动态变化，本质是不知道“世界下一步会如何演化”。
世界模型阵营试图破解这一难题：通过海量视频预训练，让模型预测下一帧图像，再基于“预判的未来”规划动作。理论上，这套逻辑能补齐物理推理与长时序能力，DreamZero、Cosmos Policy、LingBot‑VA均是该方向代表。
可落地现实无比残酷：算力成本高到离谱。Cosmos Policy在LIBERO数据集上训练，需消耗3000多张H100小时，而同任务下Being‑H0.5仅需50小时，效率差距达60倍。推理阶段更不适配真实机器人：必须反复迭代生成未来视频，延迟高、误差逐级累积，长时序任务几乎无法落地。
行业也曾尝试折中方案——训练用视频监督、推理关闭未来生成，但底层仍依赖视频生成架构，效率、稳定性、鲁棒性的问题一个都没解决。机器人控制需要毫秒级响应、持续稳定输出，视频生成范式从根源上，就与真实硬件需求相悖。
整个赛道都在等待一个破局者：兼具世界模型的预判能力、VLA的高效部署，同时摆脱像素级未来生成的沉重包袱。而Being‑H0.7，正是为解决这个核心矛盾而来。
PART 02
双分支隐对齐：把未来感知“练”进模型，推理零额外负担
Being‑H0.7最关键的技术革新，是在观测与动作之间，搭建了一层隐式推理空间——放弃像素级预测未来，将世界动态演化压缩到紧凑的隐空间中完成。
隐式推理与隐空间世界‑动作模型。左侧：引入可学习隐查询以构建隐式推理空间，该空间逐步组织中间隐状态，并通过信息传导引导动作生成。右侧：通过双分支结构的联合对齐，模型在推理阶段学会利用未来信息进行推理，从而形成隐空间世界‑动作模型。
团队在Transformer架构中加入一组可学习隐查询，嵌入指令、观测、机器人状态与动作序列之间。传统VLA模型直接将高层语义压缩为低维连续动作，信息传递生硬，极易丢失动态特征；而隐查询的加入，让模型先在隐空间整合任务信息、环境变化、趋势预判，形成中间推理状态，再输出精准控制信号。
Being-H0.7架构。研究团队将先验分支与后验分支打包进共享上下文的单一MoT序列中，两个分支同时进行优化。后验分支用未来嵌入替代隐查询，两个分支通过隐状态对齐与轻量级正则化进行耦合。模型使用双分支注意力掩码隔离先验分支与后验分支，同时保留对共享上下文的访问，以实现高效训练。
仅靠隐空间不足以实现预判，团队独创训练阶段双分支结构，推理阶段无冗余：
- 前向分支：仅接收当前信息，为最终部署版本；
- 后验分支：训练时额外接入未来观测，转化为未来嵌入，与前向分支在隐层完成对齐。
训练完成后，后验分支直接舍弃，前向分支已具备从当前信息推理关键未来信息的能力。推理时无需任何未来帧、不生成任何画面，就能实现动态预判。
工程实现上，团队通过MoT结构将两条分支打包进同一序列，共享上下文、靠注意力掩码隔离，一次前向即可完成双分支训练，几乎不增加计算量。最终实现：推理延迟与普通VLA一致，却拥有世界模型级的物理推理能力。
为避免隐空间出现数值收缩、方向坍塌，团队加入轻量级范数与秩约束正则化，以极低代价保障模型稳定性，让机器人在动态、复杂场景中输出更连贯的动作。
PART 03
万小时第一视角视频：把人类日常，变成机器人的物理先验
Being系列模型从诞生之初，就坚持人类第一视角视频预训练 路线。相较于实验室里有限的机器人演示数据，人类日常操作视频能以更低成本，覆盖更丰富场景、更多元交互方式，这一代模型，直接将数据规模推至新高峰。
迭代脉络清晰可见：
- Being‑H0：1000小时；
- Being‑H0.5：16000小时；
- Being‑H0.7：20万小时（规模为上一代12.5倍）。
20万小时视频覆盖日常操作、工具使用、液体倾倒、柔性物体交互、动态场景、长时序任务等，这些都是机器人演示数据难以覆盖的真实场景，更是传统VLA模型最缺失的物理常识。
模型本身也完成针对性升级：沿用Flow Matching动作头，保障连续控制平滑；加入1秒时序上下文，支持短时序动态追踪；预训练适配32种具身形态，跨机器人泛化能力更强；砍掉冗余通用视觉‑语言预训练，专注具身动作控制，模型更轻量化。
海量第一视角视频的训练，让机器人不再是简单模仿动作，而是真正理解物体运动、重力、接触关系等基础物理规则。
PART 04
六项仿真基准全面领跑，能力触达当前天花板
研究团队在业内六大主流仿真平台完成对比测试，覆盖桌面操作、家庭任务、人形双手操作、域随机化、长时序泛化等核心维度，Being‑H0.7全部拿下领先成绩，多项数据刷新纪录：
- LIBERO桌面操作任务：成功率99.2%，刷新行业纪录；
- LIBERO‑plus环境扰动下：零样本82.1%，微调84.8%；
- RoboCasa‑50家庭任务小样本设定：成功率62.1%；
- GR1人形双手任务：49.2%；
- RoboTwin 2.0强随机场景：成功率89.6%，仅比干净场景低0.6%；
- CALVIN长时序与零样本环境泛化：两项指标分别为4.67、4.48。
这是行业内，首次将VLA的训练推理效率，与世界模型的动态物理推理，真正稳定融合在一个统一框架中。
PART 05
真实机器人盲测：动态场景不掉链，精细操作更稳定
仿真只是技术验证，真实机器人的落地表现，才是衡量价值的核心标准。团队将Being‑H0.7部署于三套主流硬件：PND Adam‑U上半身人形、Unitree G1双足人形、Franka FR3单臂，全部适配Linkerbot O6灵巧手，采用统一控制接口。
测试涵盖12项任务：高速滚球抓取、滴管移液、漏斗倒液、球拍击球、衣物折叠、动态传送带分拣、锤子敲钉、鞋品包装等，覆盖动态响应、物理推理、运动预判、长时序执行、泛化五大维度，全程盲测、每任务20轮重复验证。
最终结果毫无悬念：Being‑H0.7在五大维度均排名第一。动态场景与运动推理优势尤为突出，滚球、移动容器、传送带等时序敏感任务，动作连贯无卡顿；物理推理和长时序任务中，液体、柔性物体、多步骤操作稳定性大幅提升；跨场景、跨物体、跨视角泛化能力，始终保持一致水准。
推理效率同样亮眼：自研UAC异步分块机制，将延迟压至3.45ms/step，显存占用与前代持平。真实机器人运行时，动作流畅度显著提升，彻底摆脱传统世界模型的卡顿、延迟难题。
PART 06
机器人无需脑补未来，只需理解世界规则
传统世界模型的逻辑是：观测现在→生成未来→输出动作。这套路径看似通顺，却被像素级生成的高昂成本困住，难以产业化落地；VLA路线高效轻便，却缺少数理常识，无法应对真实动态世界。
Being‑H0.7走出了全新范式：观测现在→隐空间推理世界动态→直接输出动作。
它保留了VLA的效率优势，卸下了视频生成的算力包袱，通过20万小时人类第一视角视频，将真实世界的物理规则、交互逻辑，注入轻量化隐空间。机器人不用一帧帧“脑补”未来画面，却能像人类一样预判运动、理解因果、完成高精度操作。
从桌面机械臂到人形机器人，从静态操作到动态交互，Being‑H0.7验证了一个核心真理：具身智能想要真正走进现实，靠的不是无限渲染未来，而是让模型掌握世界运行的底层规则。在具身智能加速产业化的关键阶段，这条高效、稳定、可落地的技术路径，大概率将成为行业未来的主流方向。
论文地址：https://research.beingbeyond.com/projects/being-h07/being-h07.pdf
项目地址：https://research.beingbeyond.com/being-h07
