人形机器人领域正经历一场技术范式的深刻转变。过去两年，行业焦点从硬件性能比拼转向模型能力竞争，能否实现环境理解、动态预测与全身协调控制，成为衡量机器人通用性的核心指标。世界模型、视觉语言动作模型（VLA）及人形机器人基础模型，由此成为技术研发的核心方向。
尽管整机厂商频繁发布新品，展示翻跟头、跑步等复杂动作，但行业普遍面临三大挑战：真机演示数据采集成本高昂，需同步记录第一视角视频、本体感知数据与全身控制指令；现有世界模型依赖像素级视频预测，计算资源消耗大且易受视角抖动干扰；上下肢控制分离建模导致全身协调性不足。这些问题制约着人形机器人向通用场景的拓展。
针对这些痛点，具身智能企业智在无界推出全球首个面向全身移动操作的隐式世界动作模型（Latent WAM）——Being-M0.7。该模型通过超10,000小时的人类中心混合模态数据预训练，结合少量真机数据完成本体适配，成功在真实机器人上实现高难度全身操作任务。其技术路线突破传统依赖机器人示教数据的局限，转而从人类行为数据中学习世界运行规律。
模型采用Vision-Motion MoT混合架构，通过独立处理视觉与运动模态、共享多模态注意力机制，实现三类数据的联合训练：视频-运动配对数据用于联合学习环境状态与运动轨迹；纯视频数据训练视觉分支；纯运动数据优化运动分支。这种设计使模型能够兼容不完整模态数据，显著扩大训练规模。研究团队构建的统一运动表征体系，通过标准化坐标系与关键点提取，弥合了人类与机器人之间的形态差异，为控制提供丰富监督信号。
在真实场景验证中，Being-M0.7展现出突破性能力。面对"鱼缸捞鱼"任务，模型需理解液体动力学与视觉偏移，在5次测试中成功3次，超越对比模型；"镜像取物"场景中，机器人通过镜面反射推断物体位置，在0.5米和1米距离设置下总体成功率达40%，显著优于基准模型；"移动置物取物"任务要求机器人连续完成行走、抓取、转移等动作，验证了长程任务中的状态保持与全身协同能力；"搬箱避障"场景则展示了模型在负载感知与动态路径规划方面的进步，机器人能侧身穿过狭窄空间同时保持物体稳定。
技术实现层面，Being-M0.7采用两阶段训练流程：预训练阶段通过流匹配目标联合预测未来视觉状态与运动轨迹；后训练阶段由轻量级动作专家将隐空间预测转换为具体控制指令。推理时，模型生成低频全局规划与高频动作控制解耦，通过策略缓存机制实现实时响应。这种设计使机器人既能遵循长期目标，又能根据实时反馈调整动作。
该模型的数据构建策略具有行业示范意义。研究团队整合Ego4D、HumanML3D等公开数据集与内部采集数据，形成涵盖第一视角视频、运动配对序列与纯运动数据的混合语料库。通过基于VR的遥操作系统，团队将人类动作转换为机器人控制指令，同步采集多模态数据用于微调。这种数据利用方式为行业提供了可扩展的训练范式，缓解了真机数据稀缺的瓶颈。
从技术演进路径看，Being-M0.7延续了智在无界在具身智能领域的持续探索。其前身Being-H0.7已验证通用灵巧操作模型的可行性，通过20万小时人类视频训练在6项国际评测中登顶。此次发布的全身移动操作模型，标志着技术路线从桌面操作向复杂场景的延伸，形成了覆盖手部操作与全身移动的完整能力体系。
当前人形机器人竞争格局正在发生微妙变化。随着硬件性能趋同，模型对物理世界的理解深度与数据利用效率成为新的分水岭。Being-M0.7的技术突破表明，通过构建人类行为先验与机器人控制之间的桥梁，有望突破真机数据限制，为具身智能开辟可持续进化的路径。这种从"模仿演示"到"理解世界"的范式转变，或将重新定义人形机器人的技术发展轨迹。
