首个端侧实时部署世界模型来了！20万小时人类视频，Being-H0.7推理快50倍

导语：Being-H0.7以20万小时人类视频为燃料，首创隐式推理世界模型，端侧实时部署仅需3.61ms/步，推理效率飙升50倍，全面掌握动态、流体、柔性操作。

引言：人类视频，具身智能的下一块拼图

在具身智能领域，数据来源长期由仿真、真机和人类视频构成“铁三角”。过去两年，行业重心从仿真数据转向大规模真机采集，但真机数据面临背景同质、场景封闭的瓶颈。此时，人类视频以其天然的多样性和真实世界对齐的特性，逐渐成为驱动模型泛化的关键燃料。4月14日，BeingBeyond（智在无界）发布具身世界模型Being-H0.7，基于20万小时人类视频预训练，首次将人类视频学习建立在“隐式推理”范式上，并在6项国际权威评测中取得综合第一，展示了在连续动态场景、流体、柔性物体及复杂物理交互中的突破性能力。

项目页面 | 论文下载

从1000到20万小时：人类视频路线的长期主义

2025年，行业仍沉浸在Physical Intelligence（PI）系列带来的真机数据热潮中，但BeingBeyond创始人、北京大学卢宗青教授却看到了数据工厂模式的先天局限：集中式采集导致样本多样性匮乏，模型难以泛化。几乎同期，NVIDIA在GR00T中提出“数据金字塔”框架，将人类视频置于塔底，作为规模最大、多样性最丰富的基础数据层。卢宗青团队于是将目光投向人类视频，他直言：“人类视频分布式采集带来的多样性，是集中式真机数采难以替代的，它更有潜力成为具身模型的核心燃料。”

基于这一判断，团队于2025年7月发布Being-H0，以1000小时人类视频为核心预训练数据，成功部署到真实机器人系统，开创了“人类视频驱动具身学习”路线。2026年1月，H0.5将规模推至1.5万小时，成为全球首个万小时级人类视频预训练模型，展现出跨本体、跨场景泛化能力。如今，H0.7进一步将人类视频总量提升至20万小时，全球仅有少数工作达到这一规模。

隐式推理：世界模型范式的新跃迁

与NVIDIA Cosmos Policy、DreamZero等视频生成式世界模型不同，Being-H0.7舍弃了“生成未来画面”的显式动力学建模。这类方法虽然可视效果好，但计算开销极高，无法实时部署，且2D图像生成难以精确建模流体、柔性物体等真实物理交互，容易停留在“视觉合理”而非“物理正确”。H0.7的设计更贴近人类的“物理直觉”——人类在高速运动中并不逐帧预测画面，而是依赖长期经验形成的快速判断。例如，运动员接乒乓球时，并不会想象球的每一帧轨迹，而是下意识挥拍。

为了赋予模型这种非想象式的快速判断力，H0.7在模型内部引入一块“思考空间”进行潜空间隐式推理。它将当前观察、任务目标和对未来的预测压缩到中间表示中，再由该表示统一指导动作生成。这种范式不仅显式建模计算成本，还能在20万小时人类视频的支撑下，内化物体运动规律、交互模式及失败边界，形成稳定的泛化能力。

实验结果证实了其优势：Being-H0.7在6项世界权威具身评测中综合第一，其中4项登顶全球榜首。更关键的是，这些能力已在真实环境中得到验证：它可以在高速传送带上完成动态分拣与上架，跟随移动容器精确倾倒，预测滑动物体轨迹并接取，在狭小空间内完成插入、定量倒液，甚至处理柔性物体。

全球首个端侧实时部署：打破世界模型商业化瓶颈

除了算法创新，BeingBeyond在工程化落地方面同样领跑。早在2026年1月，H0.5-2B模型就已在NVIDIA Jetson Orin NX（约75 TOPS算力）上实现实时部署，并经过长时间稳定性验证，至今国内鲜有团队具备同等能力。这背后是团队自研的一体化推理优化体系，覆盖模型量化、压缩蒸馏、CUDA算子编译及异步推理调度，打通了从训练到部署的全链路。

在H0.7上，优化被推向极致：平均推理延迟低至3.61毫秒/步，比业内效率标杆Fast-WAM快10倍以上，显存占用仅为同类方案的约50%。与Cosmos-policy、DreamZero等视频生成式世界模型相比，推理效率更实现50倍以上的提升。最具里程碑意义的是，团队首次在Orin NX端侧芯片上完成了世界模型的实时运行——这意味着，端侧算力、世界模型、实时运行这三个长期被视为“不可能三角”的维度，首次在同一系统中收敛。这一成就使Being-H0.7成为全球首个在消费级边缘算力上实时部署的世界模型，大幅降低了具身智能商业化的成本门槛。

数据闭环：驱动通用能力与专家能力的“两级跃迁”

从H0到H0.7，人类视频规模预计年底将扩展至100万小时量级，这为模型带来了高度多样化的真实世界分布，推动了“通用能力”的关键跃迁。然而，具身智能要真正落地，还需在具体场景中具备高精度的“专家能力”，这依赖高质量的第一视角数据采集。当前行业普遍存在数采与训练割裂的问题，卢宗青指出：“过去一年我们收集了大量外部数据，也经历过一次性丢弃数千小时数据的情况，数采体系仍处于早期阶段。”

为此，智在无界率先打通了“大规模预训练—数据采集”闭环。他们推出的BeingBeyond U1是全球首款Real DexUMI设备，能以无本体、低成本的方式在真实场景中同步采集视觉、动作与触觉等多模态信号，并将人手精细操作高保真映射至机器人灵巧手。相较于传统真机采集，U1的数据获取效率提升超过10倍，且“所采即所得”，无需重定向即可直接训练，显著降低了精度损耗。这一能力弥补了工业流水线等高精度场景的关键短板，使模型能快速掌握复杂装配、柔性交互等专家级技能，实际任务成功率提升至90%以上。

依托U1采集的高质量场景化数据，Being-H0.7完成了从“通用”到“专家”的能力跃迁：通用能力解决“能用”，专家能力决定“好用”。以20万小时人类视频为底座，叠加闭环数据体系注入的垂直场景能力，具身智能正迈过规模化落地的“最后一公里”。

结语：H0.7重塑具身模型赛道

Being-H0.7的意义不止于性能跃升，它重构了具身智能的落地路径。当世界模型首次在端侧实时运行，能力、成本与效率的不可能三角开始瓦解，具身智能真正步入可规模化复制阶段。这一突破的背后，是人类视频预训练驱动的通用能力底座、隐式推理带来的世界理解范式跃迁、以及数据闭环驱动的专家能力进化——三者叠加，使模型在开放环境中具备稳定工作的能力。当行业还在不同路径间反复试探时，智在无界用H0.7给出了一条确定性答案：以人类视频为核心燃料，以世界模型为中枢，以端侧部署为形态，打通从数据到行动的全链路。这不仅是模型的发布，更是具身智能从技术竞赛走向产业基础设施的分水岭时刻，竞争逻辑正在被重新定义。