论文导读
阿里巴巴旗下Alibaba Token Hub、高德等团队构建500小时HumanVerse数据，把第一视角视频与同步的身体、手部动作一起记录，再对齐到人形机器人。基于这套流程训练的λ0，在四项实机移动操作任务上平均成功率达到62.5%，让人类全身示范成为机器人训练的可扩展输入。
搬箱子时，只有手部视频还不够
把箱子从一处搬到另一处，人要先走近、调整身体、伸手抓住，再带着箱子移动。人形机器人要学这件事，同样需要腿、躯干和手协同。若训练数据只留下手腕轨迹，身体为什么倾斜、脚步如何配合，就可能缺了一截。
HumanVerse同时记录第一视角画面和全身动作。采集者戴上轻量设备完成真实场景中的任务，不必每次牵着机器人逐步操作。论文展示了不同场景、物体和交互，也把身体姿态与相应视频帧并排呈现。
图：第一视角操作画面与同步紫色人体网格并排，展示身体和手部姿态对应。
这500小时是人类操作语料，不是500小时机器人实机演示。数据提供的是规模化学习材料，能否变成可执行动作，还要跨过人体与机器人形态不同这一步。
人的动作搬过去，要校准视角也要校准控制
团队在采集时尽量匹配目标机器人的相机视角与高度。图像处理会去掉人的前臂和追踪设备，再合成渲染的G1手臂，减少观察上的差异。这些处理过的画面属于训练对齐，不能当作真实机器人现场录像。
动作也不能照搬关节角。人的手臂长度、活动范围，与机器人并不一致；即便几何位置对上，底层控制器执行时仍可能产生偏差。流程因此离线优化人体参考、机器人参考和控制器输入，让末端更接近预定接触位置。
图：人体参考、机器人参考和考虑执行动态的控制优化三步对齐流程。
论文单独测试了用目标任务的人类示范训练、但不用目标任务机器人示范的策略，验证到G1的零样本迁移。这与完整λ0训练是两项不同实验：最终基础模型仍有机器人后训练阶段，不能概括成“只看人类视频就学会所有任务”。
500小时数据接在训练的中间一段
λ0分三步学习：先从第一视角人类交互中学习手部动作，再用HumanVerse补全身体协同，最后用机器人数据适配目标控制。中间这一步，让昂贵的机器人演示不必承担全部知识来源。
数据规模实验把全身人类数据从不用逐步增加到完整语料。在固定机器人监督下，实机平均任务进度从59.9%提高到80.4%。进度包含部分完成，不能把80.4%写成全部任务成功率。
论文还绘出不同人类数据比例下的验证损失曲线，区分代表性留出集与较干净留出集；图中拟合是已测范围的描述关系。
图：不同人类数据比例的验证损失曲线，以及数据规模与最小验证损失的关系。
完整策略在四项实机任务上平均成功率62.5%，任务包括瓶子处理、玩具收纳、箱子搬运和椅子放置，每项十次试验。SIMPLE中的90.0%则属于另一套评测，不能混入实机平均。
作者还比较了机器人未见、但在人类示范中出现过的物体。这能检验人类数据是否补充了物体经验，却不等于对所有新物体都能泛化。论文提供的证据指向一个具体训练环节：在机器人后训练之前，增加同步的全身人类经验，可以提高这组任务的完成进度。
参考资料
https://arxiv.org/abs/2610.18950
