國產VLA模型開源！35000小時訓練數據，全球最大規模

機器人前瞻（公眾號：robot_pro）
作者 許麗思
編輯 漠影

機器人前瞻1月20日報道，今天， Being Beyond發布跨本體VLA模型Being-H0.5，并已在GitHub、HuggingFace上進行完整開源。

Being Beyond不僅公開了預訓練與后訓練的全部模型參數，還提供完整的訓練與評估代碼，以及一套可復現1000+ GPU小時訓練的詳細配方。未來，其還將逐步開源真機部署代碼與接口。

Being-H0.5通過整合數萬小時人類視頻以及當前全球幾乎所有主流機器人構型的操作數據，在視覺?語言?動作（VLA）任務中展現出較強的跨本體泛化能力——無論硬件形態如何差異，模型皆能快速適應、穩定執行。

Being-H0.5基于human-centric learning，涵蓋30種不同本體（是π0.5的5倍），能夠實現超強跨本體泛化，對同樣一批任務，只需訓練一次，就能部署在5個不同本體上。

性能方面，Being-H0.5在大規模預訓練加持下，即使只微調2%的模型參數也能達到90%以上的相對performance；其在LIBERO和RoboCasa達到SoTA，還實現了全球最快的端側部署速度，在Orin-NX上達到實時。

一、構建全球規模最大的訓練數據集，總時長超3.5萬小時

UniHand2.0數據集總時長超過3.5萬小時，囊括14,000 小時的機器人操作數據， 16,000 小時的人類視頻數據，以及5000小時通用多模態數據，總訓練 token 數突破 1200 億。這是全球首次在機器人領域進行如此大規模、跨本體的數據整合嘗試。

與以往僅基于“輪式底盤 + 雙臂夾爪”范式的研究（如 π 系列工作）不同，UniHand2.0 首次實現了跨本體的大規模數據融合，匯集了超過30種不同硬件構型的多樣化數據，涵蓋了從桌面機械臂到雙足機器人在內幾乎所有已知的機器人形態。

▲UniHand與現有VLA數據集規模對比：超3.5萬小時和30余本體，在規模和多樣性上提升了3倍以上

在Being?H0.5 之前，尚未有研究嘗試將如此多異構本體數據統一用于訓練——其核心挑戰在于，不同機器人的狀態空間與動作空間差異巨大，直接混合訓練極易引發“數據沖突”，導致模型難以收斂或泛化。

為解決上述難題，BeingBeyond 團隊提出了 統一動作空間框架，將雙足人形、輪式底盤、桌面機械臂、夾爪、靈巧手等形態各異的機器人，映射到同一特征表示空間中，從而有效支撐跨本體聯合訓練與知識遷移。

二、以人為中心的訓練范式

當前具身行業，無論是機器人設計、數據采集方案（如 UMI、傳統遙操作），還是任務設計，本質上都在模仿人類，以人為中心。而人類本身，就可被視為所有下游機器人的“原型模板”。

針對人類視頻普遍缺乏高質量標注的痛點，團隊還設計了一套名為 UniCraftor 的便攜、可擴展、低成本的人類視頻采集系統：

在統一動作空間的基礎上，Being?H0.5 提出了一套完整的以人為中心的預訓練范式。具體包括：

統一序列化建模：不再為人類演示、機器人軌跡和視覺文本數據設立獨立的訓練流水線，而是將它們轉化成統一的多模態token序列。在這個序列中，視覺和文本負責提供背景信息，而統一的“狀態/動作”Token 則承載物理交互信號。

混合監督（多目標優化）：在同一個序列上根據數據特點應用不同的損失函數。如針對文本數據（如 VQA、運動描述）的Next-token Prediction；針對離散人類動作的Masked Token Prediction，針對連續人類和機器人數據，則在統一空間內進行動作預測（Action Prediction）等。

這種融合的預訓練方式能讓模型能在從人類行為中提取高層級的、可遷移的交互邏輯（先驗）的同時，從機器人數據中提煉高精度的運動控制知識。

三、面向跨本體的模型架構升級

傳統的VLA，尤其是近期流行的基于flow-matching架構的模型，其模型容量由于參數大小存在限制，這導致VLA在混合異構數據進行預訓練時的性能下降，同時也阻礙了模型泛化到各種復雜下游任務的能力。為了克服這個問題， 團隊針對性地進行了一系列架構創新。

首先，受大模型 MoE 架構啟發，團隊設計了 Mixture-of-Flow（MoF） 架構，將動作專家（action expert）解耦為負責學習通用的運動原語（如：物體如何運動）的共享專家，以及通過機器人感知路由，負責特定形態精準執行的特化專家。

▲MPG和UAC模塊示意圖

此外，針對現實部署中的抖動和延遲問題，團隊引入了 流形保持門控（Manifold-Preserving Gating, MPG）以確保在感知模糊時模型能退回到魯棒的先驗分布；以及通用異步分塊（Universal Async Chunking, UAC）技術，使同一個模型能完美適配不同控制頻率和延遲的機器人硬件。

四、跨本體復雜任務執行能力強，基準測試超越π0.5、GR00T

為驗證 Being?H0.5 的跨本體能力，研究團隊在 PND、G1、Franka 等不同構型的人形機器人、機械臂本體上進行了大量真機實驗。

▲Being-H0.5在不同構型本體上均進行了廣泛驗證實驗

在海量、多源數據的加持下，模型展現出較強的跨本體與復雜任務執行能力，甚至能夠完成 “用按壓噴壺澆花” 這類以往夾爪式機器人難以實現的操作。

▲跨本體真機任務

在四組任務上展開的定量評測實驗中，Being-H0.5無論是generalist（多本體數據混合訓練，難度更大）還是specialist（單一本體數據分開訓練，較簡單），性能表現都遠優于僅能依托單一本體訓練的 π-0.5模型。同時，Being-H0.5-generalist模型在平均性能表現上和specialist持平，展現出其跨本體維度上的強大泛化能力。

▲真機實驗性能對比

為定量評估模型性能，團隊在 LIBERO、RoboCasa 等廣泛使用的評測基準上進行了測試。在僅依賴模仿學習與純 RGB 視覺輸入的條件下，模型平均取得了 98.9% 與 54% 的成功率，不僅超越了 π0.5、GR00T 等所有已知 VLA 模型，甚至優于部分借助強化學習與 3D 模態的方案，展現出較強的SOTA性能和競爭力。

▲RoboCasa對比結果，Being-H顯著超過π0.5、GR00T等先進VLA

結語：依托以人為中心的技術范式，降低具身智能研發門檻

Being-H0.5的推出，為具身智能領域提供了一種新的技術范式思路：高質量訓練數據并非必須源于自建的高成本機器人集群。針對“如何高效適配多元本體、低成本獲取優質訓練數據”這一核心行業挑戰，Being-H0.5將視角轉向人類本身這一最豐富、最自然的數據源泉。

這一技術路徑在一定程度上降低了具身智能技術的研發門檻，使得企業無需投入巨額資金構建數據“護城河”，便可依托以人為中心的學習范式（human-centric learning），開發適配多元本體的通用算法。