BeingBeyond发布Being-H0.8：首个隐式触觉世界动作模型，50万小时视频驱动
2026/07/28 13:25阅读量 6
智在无界（BeingBeyond）发布Being-H0.8，这是首个基于人类视频数据训练的隐式触觉世界动作模型。模型将触觉纳入“预测—执行—反馈”闭环，预判接触后根据实时触觉调整动作。数据方面，团队汇集超过50万小时第一人称视频，形成UniHand-3.0数据集，并通过TactoHand从视频中恢复接触信息、压力手套补充压力信号，再经通用触觉编码器和TopoHand统一表征。在真实双臂机器人上，模型完成了包中取物、毛笔写字、挤牙膏等精细任务。团队创始人卢宗青为北京大学副教授，公司成立于2025年5月。
事件概述
2026年7月28日，BeingBeyond（智在无界）发布Being-H0.8，这是首个基于人类视频数据的隐式触觉世界动作模型。该模型将触觉融入“预测—执行—反馈”完整链路：先根据当前画面预判可能发生的接触，执行过程中读取最新触觉反馈，实时调整下一段动作。
数据基础：50万小时视频与UniHand-3.0
数据是核心壁垒之一。团队汇总数十家合作伙伴的数据，建立超过50万小时的原始数据池，经过过滤、去重、切分、语言标注和分布再平衡后，形成高质量数据集UniHand-3.0。这是国内目前规模最大的人类操作视频数据池。
针对视频缺少触觉标注的问题，团队设计了四步pipeline：
- TactoHand：利用手与物体间的三维几何关系，从普通第一视角视频中预测稠密伪触觉监督（接触位置和邻近度），训练数据包含21个人-物交互数据源、共3010万帧。
- 压力手套传感器：补充约55小时、540万同步帧的真实压力信号，映射到统一手部表面。
- 通用触觉编码器：将不同粒度、不同来源的触觉信号（接触、邻近度、压力等）映射到统一的触觉token，通过Perceiver结构压缩为固定数量。
- TopoHand：统一人手、灵巧手和平行夹爪的动作空间，将手部表示拆分为手腕位姿、形态编码、20个规范关节角和夹爪张开量。
模型架构
Being-H0.8由四个核心模块组成：
- Mixture of Transformers (MoT)：负责预测交互后果，训练时利用未来触觉token辅助理解接触后的世界状态变化，部署时提前预测。
- 慢—快动作专家：慢速流维持整体任务与动作计划（视觉、语言、隐世界状态等），快速流根据最新状态和触觉反馈只重算下一小段动作，既保证效率又兼顾实时纠偏。
- 通用触觉编码器：统一不同传感器输入的触觉信号。
- TopoHand：对齐不同本体的动作表示。
实验成果
在真实双臂机器人上，Being-H0.8成功完成依赖触觉的高难度精细任务，包括包中取物、毛笔写字、挤牙膏、夹薯片等。
团队背景
BeingBeyond成立于2025年5月，创始人卢宗青是北京大学计算机学院长聘副教授、智源学者，长期从事强化学习和多模态模型研究。团队最早探索利用大规模人类视频训练具身模型，经过从Being-H0到Being-H0.8的迭代，持续解决人类视频如何规模化、高质量用于具身模型训练的问题。