过去两年，人形机器人赛道的竞争焦点已从整机硬件延伸至模型能力。尽管整机厂商密集发布新品，翻跟头、跳舞的视频频刷屏，但行业共识逐渐形成：决定机器人能力上限的，已不仅是关节与电机。能否理解环境、预测变化并协调全身完成任务，正成为其走向通用的关键。世界模型、VLA 与人形机器人基础模型因此成为核心技术方向。然而，行业仍面临三道难题：真机数据采集成本高昂且稀缺；现有世界模型多基于像素级视频预测，计算开销大且易受运动噪声干扰；上下半身协调性不足，难以支撑流畅的全身控制。
在此背景下，具身智能公司智在无界发布了 Being-M0.7。这是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，也是业内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。该模型利用超 10,000 小时以人为中心的混合模态数据进行预训练，再通过少量真机演示数据完成本体适配，已在真实人形机器人上完成多项高难度全身移动操作任务。
Being-M0.7 背后，是智在无界坚持多年的技术路线。作为全球最早押注大规模人类视频训练路线的企业之一，该公司认为机器人真机数据昂贵稀缺，而人类海量第一视角行为数据蕴含丰富的场景演化、物体动力学与身体协调先验。与其等待机器人数据积累，不如先让模型从人类经验中学习世界运行方式，再迁移至具体本体。今年 4 月发布的 Being-H0.7 已验证了这一判断在灵巧操作侧的可行性。而 Being-M0.7 则是该路线的最新成果，回答了“整个身体如何在世界中协调移动与作业”的问题。
模型的最终验证在于真机场景。智在无界展示了四个极具挑战性的 Demo：鱼缸捞鱼（应对流体动力学与视觉扭曲）、镜像取物（基于间接视觉推理）、移动置物取物（长程任务中的连续切换）以及搬箱避障（负载感知与实时平衡）。在鱼缸捞鱼任务中，Being-M0.7 成功率为 3/5，显著优于对比模型；在镜像取物任务中，总体成功率为 4/10，也远超其他模型。这些演示表明，机器人并非开环执行，而是结合观测、反馈与预测持续修正动作。
支撑上述能力的，是 Being-M0.7 在数据与架构上的关键创新。针对真机数据稀缺，该模型采用 Vision-Motion MoT（混合 Transformer 多模态架构），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。模型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，避免了像素级预测的噪声与高算力开销。此外，团队构建了人类与人形机器人共享的统一运动表征（以头部为根节点，保留头部、双手、双脚），降低了数据分布差异，并利用流匹配目标进行训练。真机数据采集则通过 PICO VR 遥操作系统完成，随后由轻量级动作专家将预训练先验转化为具体控制指令。
Being-M0.7 确立了一套可扩展的融合范式：通过混合模态数据扩充监督信号，通过先学人类再适配机器人的顺序，以及通过低频规划与高频控制的解耦架构。这标志着人形机器人竞争逻辑的变化——随着硬件提升，数据与模型的可扩展性成为拉开差距的关键。正如大语言模型的发展所证明的，数据飞轮决定技术路线的深度。智在无界的路径，即让机器人先从人类行为中学习世界，再将知识转化为物理世界的行动，正通向千行百业的通用具身智能。