看了 20 万小时「人类干活实录」，机器人悟了

📌 一句话摘要

Riemann-1.0 通过大规模人类第一视角视频预训练加少量机器人数据微调，在家具家务基准 RoboCasa-365 上达到 62.6% SOTA，展示了人类视频为具身智能带来的泛化提升。

📝 详细摘要

文章介绍了昆仑万维子公司黎曼动力推出的具身智能模型 Riemann-1.0，该模型在 RoboCasa-365 基准上创下 62.6% 的新纪录，比之前最高成绩高出 8.4 个百分点。其核心思想是利用 23.2 万小时的人类第一视角视频（做饭、叠衣服、收拾桌子等）进行大规模预训练，让模型学习物理世界的直觉，随后用少量真实机器人数据进行动作对齐微调。文章详细说明了数据准备流程（“广菜”“精菜”“准菜”），模型架构（基于扩散的全因果动作-视频联合建模及本体专属动作映射模块），以及三阶段训练策略（动作损失权重从 0.1 提升到 0.9）。消融实验表明，人类视频预训练带来的提升远超过单纯数据量增加，尤其在长序列和陌生场景中的泛化提升显著。真机评测中，经过场景特定后训练，Riemann-1.0 在四类家务任务平均成功率达到 85.0%，过程完成度 94.43%，均领先开源基模约 15 个百分点。文章还追溯了昆仑万维从内容 AI 到具身智能的战略布局，指出公司通过成立独立子公司进行长期投入，旨在把世界模型与实体机器人结合，推动 AGI 从屏幕走向物理世界。

💡 主要观点

- Riemann-1.0 通过大规模人类第一视角视频预训练+少量机器人数据微调，在家务基准 RoboCasa-365 上达到 62.6% SOTA。 该模型在 RoboCasa-365 上实现 62.6% 成功率，比之前最高成绩高出 8.4 个百分点，表明人类视频提供了丰富的物理直觉和任务先验，显著提升泛化能力。

训练分三阶段：先用人类视频学习物理世界规律（动作权重 0.1），再引入机器人数据校准（0.5），最后以机器人数据为主强化（0.9），实现从理解到执行的渐进。 这种逐步提升动作损失权重的策略让模型先学世界动态，再微调为可执行控制，类似大模型从预训练到对齐的路径，但载体是物理世界的动作。

模型采用全因果动作-视频联合建模的扩散架构，并通过本体专属动作映射模块适配 41 种机器人本体。 共享对世界的理解，同时保留不同机体的肢体适配能力，使同一模型能够在多种机器人平台上进行泛化执行。

消融实验表明人类视频预训练带来的提升远超过单纯数据量增加，尤其在长序列和陌生场景中泛化提升显著。 在 EgoVLA 基准上，加入人类视频使长程任务成功率从 42.96% 提升至 71.11%，陌生视景从 26.36% 提升至 43.33%，说明人类数据赋予了更强的泛化和鲁棒性。

真机评测中，经过场景特定后训练，Riemann-1.0 在四类家务任务平均成功率 85.0%，过程完成度 94.43%，均领先开源基模约 15 个百分点。 表明其在真实世界中的泛化和稳健性强，适合实际部署，且中间步骤推进稳定，长流程不易掉链子。

💬 文章金句

- 新纪录62.6% ，比之前的 SOTA 直接高出8.4个百分点。

• 为什么是「人的视频」？这还要从具身智能领域吵了一年多的路线之争说起。
• 于是，两条路线开始合流。
• 先用大规模开放世界视频做预训练，让模型看遍人类怎么和物理世界打交道，攒够物理直觉；再用少量真实机器人数据做动作对齐，把直觉翻译成可执行的控制信号。
• 它是国内较早把这条范式完整工程化跑通的选手，从仿真 Benchmark 到真机均获得验证的那种。

📊 文章信息

AI 初评：84

来源：量子位

作者：一水

分类：人工智能

语言：中文

阅读时间：20 分钟

字数：4810

标签： 具身智能, 世界模型, 机器学习, 机器人, 人机交互

阅读完整文章