人形机器人领域正经历一场关键变革，竞争焦点从硬件性能转向模型能力。整机厂商不断推出新品，翻跟头、跳舞等演示视频引发关注，但行业逐渐形成共识：仅靠关节与电机已无法突破能力上限，能否理解环境、预测变化并协调全身完成任务，成为迈向通用的核心挑战。世界模型、VLA与人形机器人基础模型因此成为技术突破的关键方向。
当前行业面临三大难题：真机演示数据采集成本高昂，需同步记录第一人称视频、本体感知数据与全身指令，受制于遥操作难度、安全风险及环境多样性，难以快速积累大规模高质量数据；现有世界动作模型多沿用像素级视频预测路线，计算开销大且大量算力消耗在与控制无关的画面细节上，机器人快速运动与视角抖动更会放大视觉噪声；多数方案将上肢操作与移动控制分开建模，导致上下半身协调性不足，难以实现自然流畅的全身控制。
在此背景下，具身智能公司智在无界推出全球首个面向人形机器人全身移动操作的隐式世界动作模型（Latent WAM）——Being-M0.7。该模型首次将隐式世界模型能力从桌面灵巧操作扩展至全身移动操作，通过超10000小时以人为中心的混合模态数据预训练，结合少量真机演示数据完成本体适配，成功在真实机器人上完成多项高难度全身移动操作任务。
Being-M0.7的技术路线可追溯至公司长期布局。作为全球最早探索大规模人类视频训练的具身智能企业之一，该团队同时推进通用灵巧操作与通用移动灵巧操作两条模型主线，并率先推出原生具身隐式世界动作模型。其核心判断是：机器人真机数据昂贵且稀缺，难以像互联网文本视频那样快速扩展规模，而人类每天通过第一人称视角与物理世界交互产生的海量行为数据，蕴含着场景演化、物体动力学与身体协调的丰富先验。通过让模型先学习人类经验中的世界运行方式，再迁移至具体机器人本体，可突破数据瓶颈。
今年4月发布的Being-H0.7已验证这一路线在灵巧操作侧的可行性。该模型基于20万小时人类视频训练，在6项国际评测中取得综合排名全球第一，其中4项登顶，成为首个覆盖跨本体、跨场景、连续动态、流体、柔性物体、物理规律和上下文推理七大关键维度的通用具身世界模型。Being-M0.7则进一步将这一路线延伸至全身移动操作领域。
与依赖像素级视频生成的世界模型不同，Being-M0.7在隐空间中预测未来环境状态，并将其与紧凑的全身运动表征耦合。这种设计将建模能力集中在语义状态、物体布局与场景演化等与控制相关的结构上，既保留了世界模型预判未来的本质，又大幅降低计算开销。模型采用Mixture of Transformers（MoT）结构，先在第一人称视频和人体运动数据上预训练，再通过动作专家后训练，在多样化全身操作任务的机器人轨迹数据上完成控制落地。
真实场景检验中，智在无界公布了四个极具挑战性的真机Demo：在“鱼缸捞鱼”任务中，机器人需理解水、渔网与鱼之间的相互作用，在视觉信息被水体扭曲的情况下，协调手臂完成动态目标的工具化捕捞；在“镜像取物”任务中，机器人需根据镜中反射推断隐藏物体在真实三维空间中的位置，再将间接视觉证据转化为可执行动作；在“移动置物取物”任务中，机器人需在行走、抓取、转移、转身等行为间连续切换，并保持对场景的持续理解；在“搬箱避障”任务中，机器人需结合环境信息与实时反馈，调整行走方向和全身姿态，同时保持自身平衡与所载物体的稳定。
这些任务共同验证了模型的核心能力：根据对环境和未来变化的预测，持续生成与当前场景相匹配的全身动作。支撑这一能力的，是Being-M0.7在数据与架构层面的创新设计。针对高质量人体运动数据与视觉严格对齐的第一人称配对数据稀缺的问题，模型采用Vision-Motion MoT架构，为视觉和运动保留各自模态专属投影与处理模块，同时通过共享的多模态注意力进行跨模态交互。这种设计使模型能够同时兼容视频-运动配对数据、纯视频数据和纯运动数据，通过同一个训练目标共同约束模型，突破数据模态限制。
在预训练阶段，模型通过视觉编码器将图像映射至隐空间，使用紧凑统一运动表征，采用流匹配目标进行训练，联合预测未来状态变化与运动轨迹。真机数据采集环节，团队搭建基于PICO VR的全身遥操作系统，操作员佩戴头显、脚踝追踪器和手持控制器，VR系统实时估计人体姿态并转换为机器人可执行的29自由度控制指令，同步采集第一人称图像、本体感知及运动控制指令作为后训练微调数据。
推理阶段，模型以较低频率生成未来视频-运动规划，并将其隐藏状态转换为可复用的策略缓存。统一运动表示融合视觉和本体感知反馈，利用机器人最新运动状态校正预测的全身运动规划。动作专家则复用当前策略缓存，以较高频率连续生成动作，并在缓存刷新时无缝融入最新反馈，实现低频世界规划与高频动作控制的解耦。
