16小时前 机器人行业真的懂“跨本体”吗？三篇最新论文可能会戳破一个共识

作者：北野五     出品：人形大讲堂

行业内这几年有一座绕不过去的大山，本体不会有统一的样子，每家公司产品的身高、关节数都不相同，机型一年比一年多，要是换一台机器就得从头训练一遍模型，软件永远追不上硬件。

由此推出一条必经的路，行业管它叫跨本体，意思是让同一个模型跨过不同机器人身体上的差别，接管多副身体。

这是我们最想要的能力，过去这件事一直被当成模型能力来讲，好像模型够聪明，机器人自己就能跨越具身鸿沟。

事实似乎并非如此。10月24日到26日，三天里接连有三篇关于跨本体研究的论文发表，本体、动作、房间，层层叠叠抽丝拨茧。研究者发现，跨本体的本质更像翻译。一副机器人的身体有多高、关节怎么转，一个房间里桌子多高、杯子多重。这些数据得有人写下来喂给模型，模型才认得这副身体。

三篇论文没让模型自己去完成所谓的跨本体部署，它们问的都是同一件事，这些数据是谁写的、又是怎么喂进去的。

图注：仿真里练出来的策略，第一次上真机就在四个真实场景里搬东西、放东西、推篮子。官方演示视频原样截取，未做变速。图片来源：Zero-HLM论文项目页

PART 01

先给身体写一张表

第一天挂出来的是MimicAll，从本体出发。它要回答的问题最直接，模型怎么认得一副新身体。

做法是配一张表。表上写清这台机器人有多高多重、每段肢体有多长、每个关节怎么转、能使多大力。有了这张表，同一个模型才知道自己的动作该落在哪里，不会把一条腿的动作安到另一条腿上。

论文管这张表叫结构化身体条件，分整副身体和每个关节两层写。模型读三样东西，这张表，过去几帧看到的画面，一段按这具身体尺寸改过的示范动作。读完，它算出每个关节该动多少。

覆盖面是16个不同系列的机器人、4096种身体变体。这个数字说的是训练时见过的身体种类，不是造了四千多台机器。

图注：八种不同型号的人形，同一个模型各做各的动作。每行标的是厂商型号和动作类型。图片来源：MimicAll论文Figure10

在仿真条件下，同样多的训练量，把人形机器人的身体随机改成各种尺寸。让这台机器人跟着做一段30秒的动作，成功率99.4%。只给一具身体训练的模型，成功率42.9%。

研究者还做了一组对照。把那张表故意配错，填进另一副身体的参数。模型的成功率从61.7%掉到47.0%，少了14.7个百分点。

表配错了，成功率就退回去，模型确实在读那张表，不是碰巧学会。

同一个模型换到训练时没见过的机器人系列上，成功率也会掉。见过的系列上成功率最高67.6%，没见过的8.2%，差59个百分点。

一具新身体到手，得有人去量它的关节、对它的尺寸、试它每个关节能使多大力，再把这些数据填进去。论文对这一步只有半句交代，工程上要专人来做。

PART 02

数据影响似乎不大

第二天那篇X-WBC往前走了一层，翻动作。身体能认了，动作还不能共用。

同一套动作有三种记录方式。录像里人在做一遍、机器人自己示范一遍、人还可以戴上VR设备做一遍，这一遍记下的是手腕和头部的位置，三种方式互不相通。X-WBC把三种都换算成同一种记法，再用一个模型去学这些动作怎么连成一整套。

这篇9月14日首发，10月25日更新到第二版，已被机器人学习领域的会议CoRL2026接收，是三篇里唯一过了同行评审的。

图注：上半是不同人形做同一个举手动作。下半四格是真人戴VR头显做动作，旁边的机器人跟着做。图片来源：X-WBC论文Figure1

换算之后，模型分两层。上面一层是共享的，管的是要做什么。下面一层，每台机器人各有一个小模型。这个小模型管的是这具身体怎么做到，把共享的动作落到自己的关节上。

四台真机参与了验证。最矮123厘米，最高182厘米，关节数27到29，出自同一家厂商。

其中一台用四台的数据一起训练，成功率98.60%。只用自己的数据训练的完成率是97.69%。另一台是93.22%对92.22%。两台分别多出0.91和1个百分点。

第一天MimicAll走的是同一条思路，研究者把身体随机改尺寸，一个模型跑到99.4%，只喂一具身体的版本是42.9%，差56.5个百分点。X-WBC在真机上拿到的是0.91和1。

差在哪，论文没直接说。能看见的是这四台机器本来就靠得近，身高跨了59厘米，关节数只差两个，还是同一家厂出的。跨得更远会怎样，这篇论文也没给出结论。

X-WBC能证明的只有一条。动作能换成同一种记法，换完之后，每具身体还是要单独训练一次。每进一具新身体，都要再训练一个小模型，把它链接上共享的动作描述。翻译动作靠这个小模型，小模型是怎么训练出来的，论文没有交代。

PART 03

环境也需要翻译

10月26日发表的Zero-HLM，要翻译的不是身体，是一个房间。

桌子多高，杯子多重，机器手撞上桌沿会不会穿过去。这些数据不在机器人身上，在环境里。要把一台机器从A房间挪到B房间还能干活，就得把这些数据也交给模型。Zero-HLM做的事，就是把一个房间变成一串模型能读的数据。

做法是拿手机把一个房间拍一圈，软件把拍到的画面变成电脑里的场景。变成场景之后，东西的大小、重量、碰撞都要跟真实场景的对得上。机器手在这个场景里试做动作。如果做不成，算法就再次改动作，也改场景里物体的位置和重量，来回试几轮。能做成功的动作被留下来，攒成一批，拿去训练，练出来的模型直接装进真机。

图注：上半是研究者举着手机扫厨房。下半左边是软件重建出的场景，右边是加上碰撞与关节运动后的版本。图片来源：Zero-HLM论文项目页演示视频

起点是45条动作，人在仿真里遥控机器手做的。这套流程最后生成4800条动作数据。

换个房间还灵不灵是这样测的。改动有五种，两个任务里，机器人出发的位置各挪一挪，抓东西的位置变一变，放东西的位置变一变。最后一种是把要抓的物体和落点一起换掉。五种汇总下来，用纯真机数据训练的模型成功率23%，用纯仿真数据训练的模型成功率69%。最狠的一组是物体和落点一起换，从20%到100%，全程没加一条真机数据。

图注：左边九格是三个任务的真机实拍，标着走、抓、放、蹲下抓、搬、踢。右边是只用真机数据与纯仿真数据的对比热力图。图片来源：Zero-HLM论文Figure9

69%这个数据有三个条件。比的是纯仿真和纯真机，不是仿真训练完再拿真机数据补一轮。任务只有三个，都是移动加抓放，不含插拔、软的会变形的物件、靠手感使力的活。真机评测每个任务20次试验，样本不大。

这三类动作都离不开两个物体碰上那一刻的产生的力，仿真到今天还算不准这一刻的力。这条路虽然有效，时间账成本似乎并不低。

同样采50条做成功的动作，真机上人要忙1小时21分，仿真里只要34分钟，省下47分钟。

省下的47分钟不是白来的。仿真这一侧，得先有那个房间。论文的表格里单列了一项，一个房间从拿手机拍到能用，7小时13分。同一张表还记了22.82美元，那是流程里用到的软件和云服务订阅费。软件便宜，贵的是那7小时里的人。

7小时花在哪，表上也拆开了。把手机拍到的画面变成电脑里的场景，1小时47分。把场景导进跑物理仿真的软件，又花1小时21分。七个要抓的物件单独建一遍模，4小时5分，占了一多半。

只采50条数据的话，仿真这一侧连建房间一起算，要接近8小时。真机还是那1小时21分，工时是真机的5.76倍。

要采到450条以上，两边的时间才打平。论文最后生成4800条，远超这个数量。这套办法成立的条件是批量操作，工时没有消失，只是从现场挪到了电脑前。这7小时里，人做的事是架着手机扫房间，把家具一件件摆进电脑，给七个要抓的物体各建一遍模。

PART 04

人工的作用大于模型的作用

三篇论文翻译的范围一层比一层大。MimicAll翻译一具身体的尺寸和关节。X-WBC把不同来源的动作记录换成同一套写法。Zero-HLM推得最远，连一个房间里的碰撞和摩擦都算了进去。

三篇没有一篇说模型自己搞定了差异，它们说的是同一件事，差异得一条条写清楚，模型才能跑。写清楚这一步目前由人来做，硬件厂每多开一个型号，就多一遍这种活。

跨本体的快慢，也就不由有多少张显卡决定，由会写这张表、会搭这种场景的人有多少决定。

从身体到房间，这条链上最缺的是三种人。能给身体写参数的，能在电脑里搭出物理对得上的场景的，提及能把仿真和真机的落差一点点校回来的。各地在建的数据采集中心买得到采集小时数，买不到这批人。

模型也在学着自己翻译。一条路是把不同机器人做的动作都换算成同一种内部格式。另一条路是让模型先学会一件事，做了这个动作之后，画面和物体会怎么变。学会了这件事，一部分原本要人填进那张表里的数据就能省掉。两条路做的都是同一件事，把原本要人做的那一步，挪进模型内部。

到目前为止，翻译还是人在做，边界还在人这一侧。跨本体的进展，就是这件事从人手里往模型手里挪的过程。4096和4800这些数量在涨，说的是模型能自己覆盖的范围在扩。

扩到哪一步，看两个数字，仿真出来的数据在训练里占到几成，那7小时的建模，摊到了多少条数据上。

卡在哪，现在有答案了。卡在翻译的权柄还在人手里，哪天4096和4800种动作和差异不再需要人来捕捉和填写，行业才算真懂跨本体。