看了20萬小時(shí)「人類干活實(shí)錄」，機(jī)器人悟了

剛剛，機(jī)器人圈公認(rèn)最難的「家務(wù)大考」RoboCasa-365，榜首換人了。

新紀(jì)錄62.6%，比之前的SOTA直接高出8.4個(gè)百分點(diǎn)。

要知道，這個(gè)榜上大部分模型還在50%以下掙扎。

更有意思的是，登頂?shù)倪@個(gè)名字，之前幾乎沒人聽說過：Riemann-1.0，黎曼動(dòng)力。

一查，好家伙，首秀。這個(gè)模型才剛在WAIC 2026上正式發(fā)布。

跑分說明不了一切，我又去翻了它的真機(jī)視頻。

隨手點(diǎn)開一段機(jī)器人收拾餐桌的demo，只能說，榜單沒騙人。

薄薄貼在桌面上的勺子，夾得起來；碗里剩的湯，知道先倒了再收；完事了還順手把桌子擦干凈。

視頻地址：https://mp.weixin.qq.com/s/KIBoK4IAklhdmU21fCIyVg

（完了，估計(jì)連老媽以后的臺詞都要改了：連機(jī)器人都比你眼里有活兒~）

再往上扒，黎曼動(dòng)力背后站著的是昆侖萬維——前者正是昆侖萬維專為具身智能方向成立的子公司。

一個(gè)新面孔，憑什么首秀就登頂？

答案藏在它的「食譜」里：23.2萬小時(shí)訓(xùn)練數(shù)據(jù)中，占大頭的根本不是機(jī)器人數(shù)據(jù)，是人的視頻。

沒錯(cuò)，人做飯、疊衣服、收拾桌子的第一視角視頻。

造機(jī)器人大腦，行業(yè)吵出了新共識

為什么是「人的視頻」？這還要從具身智能領(lǐng)域吵了一年多的路線之爭說起。

VLA和世界模型，誰代表機(jī)器人的未來？行業(yè)曾為此分裂成鮮明兩派。

兩派各有優(yōu)劣，為便于大家做對比，這里我直接放了一張AI生成的圖表：

△圖片由AI生成

簡單總結(jié)就是，VLA屬于「直覺派」，快但容易翻車；世界模型則屬于「深思派」，穩(wěn)但是又慢又貴。

吵著吵著大家發(fā)現(xiàn)：算了，既然各有優(yōu)劣，那不如來一個(gè)取長補(bǔ)短？

于是，兩條路線開始合流。

今年6月，英偉達(dá)西雅圖機(jī)器人實(shí)驗(yàn)室發(fā)布了一篇長文綜述，文章的核心判斷是：

World Action Model（WAM，世界動(dòng)作模型）已經(jīng)從VLA研究里的小眾分支，迅速長成了機(jī)器人基礎(chǔ)模型的第二條主路線，而下一代機(jī)器人基礎(chǔ)模型，大概率是兩者的混合體。

△圖源：英偉達(dá)官方技術(shù)博客

ICML 2026上，包括LeCun團(tuán)隊(duì)在內(nèi)的多篇論文也在往同一個(gè)方向使勁：

從海量無標(biāo)注的野外視頻（in-the-wild videos）里學(xué)習(xí)潛在動(dòng)作世界模型。

△圖源：ICML官網(wǎng)

把這些工作放在一起看，一條正在被越來越多團(tuán)隊(duì)驗(yàn)證的訓(xùn)練范式浮出水面：

先用大規(guī)模開放世界視頻做預(yù)訓(xùn)練，讓模型看遍人類怎么和物理世界打交道，攢夠物理直覺；再用少量真實(shí)機(jī)器人數(shù)據(jù)做動(dòng)作對齊，把直覺翻譯成可執(zhí)行的控制信號。

這就解釋了，為什么下一代機(jī)器人大腦，都盯上了「人的視頻」。

對機(jī)器人來說，人類每天的生活就是一場不間斷的操作示范。做飯、疊衣服、整理房間，這些第一視角視頻里，藏著人類怎么感知環(huán)境、規(guī)劃動(dòng)作、處理意外的全部秘密。

而且這類數(shù)據(jù)要多少有多少，場景豐富，還在源源不斷地增長。

實(shí)際上，行業(yè)里少部分前沿玩家已經(jīng)看到了這點(diǎn)。比如Being-H0.7用了20萬小時(shí)第一視角人類視頻，Generalist AI的GEN-1更是砸了50萬小時(shí)可穿戴設(shè)備采集的人類數(shù)據(jù)。

作為其中之一，Riemann-1.0的獨(dú)特之處在于：

它是國內(nèi)較早把這條范式完整工程化跑通的選手，從仿真Benchmark到真機(jī)均獲得驗(yàn)證的那種。

而它之所以能跑通，關(guān)鍵在于解決了一個(gè)核心難題：人類視頻里沒有機(jī)器人動(dòng)作標(biāo)簽。

沒錯(cuò)，再漂亮的范式，也有自己的問題要解決。

人疊衣服的視頻看得再多，機(jī)器人手臂該轉(zhuǎn)多少度、夾爪該用多大力，視頻里一個(gè)字都沒寫。

看得懂，做不出。

20萬+小時(shí)人類干活的視頻，怎么變成機(jī)器人手上的活兒？

這正是Riemann-1.0故事的起點(diǎn)。

23.2萬小時(shí)視頻，怎么變成機(jī)器人的手藝

Riemann-1.0，一款面向通用機(jī)器人操作的世界模型（World Action Model）。

從名字就能看出來，它正是前文說的「混合體」：

VLA的手它有（直接出動(dòng)作），世界模型的腦它也有（預(yù)演世界演化），兩派的活兒，一個(gè)模型全包了。

而它要攻克的，正是行業(yè)面前那道共同的坎：

怎么把沒有動(dòng)作標(biāo)簽、來源五花八門的開放世界數(shù)據(jù)，變成機(jī)器人可執(zhí)行的控制能力，而且要跨機(jī)器人本體通用。

Riemann-1.0的解法，用做菜來類比，可以拆成三步。

Part 1：準(zhǔn)備食材

數(shù)據(jù)就是食材。

仔細(xì)一掃Riemann-1.0的案板，只見上面擺著這樣「三道菜」：

• 「廣菜」：20萬+小時(shí)人類第一視角視頻；
• 「精菜」：1.2萬+小時(shí)UMI與外骨骼手套數(shù)據(jù)；
• 「準(zhǔn)菜」：2萬+小時(shí)機(jī)器人真機(jī)與仿真軌跡。

三種數(shù)據(jù)來源，23.2萬小時(shí)訓(xùn)練數(shù)據(jù)，覆蓋41種機(jī)器人本體、數(shù)千種交互方式。

就這個(gè)規(guī)模，不得不說，已經(jīng)足夠機(jī)器人把人間煙火看個(gè)遍了（doge）。

△圖片由AI生成

不過，食材多，不等于能直接開席。

尤其是占大頭的那道「廣菜」：20萬+小時(shí)人類視頻，沒洗沒切，連動(dòng)作標(biāo)簽都沒有，沒法直接下鍋。

怎么辦？先備菜。

Part 2：備菜

黎曼動(dòng)力為此自研了一套自動(dòng)化人類數(shù)據(jù)處理流水線，專門負(fù)責(zé)洗菜切菜。

這套流水線怎么干活？不妨在頭腦中想象，你正在跟著一段視頻走一遍：

一段「人在廚房切菜的第一視角」視頻進(jìn)廠，第一件事是擺正。

魚眼鏡頭的畸變、歪了倒了的畫面，統(tǒng)統(tǒng)矯正成正視圖，方便后面下刀。

接著VLM上場，把長視頻切成一個(gè)個(gè)細(xì)粒度動(dòng)作，給每一段配上任務(wù)描述、動(dòng)作指令、場景和物體信息。

切完還得過兩輪一致性校驗(yàn)，標(biāo)得對不上的，推倒重來。

切好的片段緊接著過質(zhì)檢。

畫面里人太多的、動(dòng)作沒意義的、遮擋嚴(yán)重的、活兒沒干完的、不是第一視角的、手出了畫面的，六類廢片，直接進(jìn)垃圾桶。

活下來的片段，迎來整條流水線上最核心的一步：給手建3D模。

系統(tǒng)檢測并追蹤畫面里的手，重建出完整的手部姿態(tài)，再配合相機(jī)位姿估計(jì)，把手的運(yùn)動(dòng)軌跡換算進(jìn)世界坐標(biāo)系，最后做整段平滑。

到這一步，視頻里「手怎么動(dòng)」，第一次變成了機(jī)器可讀的3D坐標(biāo)。

當(dāng)然，重建的質(zhì)量也得把關(guān)。

手看不清的、動(dòng)得太快的、鏡頭晃太狠的，按閾值再篩一輪，和前面的語義質(zhì)檢互為補(bǔ)充。

最后一步是裝盤：按場景、任務(wù)、動(dòng)作、技能、物體五個(gè)層級分好類，均衡配比，防止模型偏食。

一段段視頻這樣走下來，海量「人類干活的錄像」，就變成了一本機(jī)器人能讀懂的「動(dòng)作教材」。

P.S. 另外兩道菜由于自帶夾爪傳感，業(yè)界已有相對成熟的處理流水線，這里就不多展開了。

Part 3：炒菜

食材備好，現(xiàn)在終于可以開火了。

炒菜講究方法和火候，對應(yīng)到模型上，就是架構(gòu)和訓(xùn)練策略。

架構(gòu)上，Riemann-1.0基于擴(kuò)散架構(gòu)，提出了全因果動(dòng)作-視頻聯(lián)合建?？蚣?/strong>，把視覺動(dòng)態(tài)、環(huán)境狀態(tài)和機(jī)器人動(dòng)作序列，放進(jìn)同一個(gè)生成過程中統(tǒng)一學(xué)習(xí)。

這意味著，模型不只是知道「眼前看到了什么」，還在學(xué)習(xí)「動(dòng)作會如何改變環(huán)境，以及下一刻世界可能變成什么樣」。

而為了讓同一個(gè)模型適配41種不同形態(tài)的機(jī)器人本體，Riemann-1.0進(jìn)一步設(shè)計(jì)了本體專屬的動(dòng)作映射模塊：

共享對世界的理解，同時(shí)保留不同機(jī)器人的「肢體適配能力」。

說到底，它試圖打造的是一個(gè)負(fù)責(zé)理解環(huán)境、預(yù)測變化的「通用世界大腦」，然后通過不同機(jī)器人的動(dòng)作適配器，把這種理解轉(zhuǎn)化為具體的執(zhí)行能力。

再說火候。

訓(xùn)練分三段，秘訣藏在一組數(shù)字里：動(dòng)作損失權(quán)重0.1→0.5→0.9。

• 第一階段，小火慢燉。用Latent Action Model從海量人類視頻里提取偽動(dòng)作信號，動(dòng)作權(quán)重只給0.1，讓模型安心看片，先學(xué)會物理世界的運(yùn)行規(guī)律。
• 第二階段，中火調(diào)味。引入U(xiǎn)MI和機(jī)器人真實(shí)動(dòng)作數(shù)據(jù)做校準(zhǔn)，權(quán)重拉到0.5，把偽動(dòng)作空間平滑過渡到真實(shí)控制空間。
• 第三階段，大火收汁。純機(jī)器人數(shù)據(jù)集中強(qiáng)化，權(quán)重推到0.9，火力全開練出能直接上崗的真功夫。

從「以理解世界為主」?jié)u進(jìn)切換到「以執(zhí)行動(dòng)作為主」，有點(diǎn)像大模型訓(xùn)練里從預(yù)訓(xùn)練到對齊的路徑，只不過載體從文本換成了物理世界的動(dòng)作。

好了，菜出鍋了，該嘗嘗味道了。

加一味人類視頻，猛漲14.4個(gè)百分點(diǎn)

首先要驗(yàn)證的就是那個(gè)靈魂問題：繞這么大一圈用人類視頻，真的有用嗎？

消融實(shí)驗(yàn)給出了非常硬的答案。

在專門考察長序列家務(wù)能力的RoboCasa-365上，模型從頭訓(xùn)練，成功率38.2%；加機(jī)器人數(shù)據(jù)預(yù)訓(xùn)練，43.4%，漲5.2個(gè)百分點(diǎn)；再加UMI數(shù)據(jù)，48.2%，又漲4.8個(gè)百分點(diǎn)。

然后，加入人類視頻數(shù)據(jù)：62.6%。

一下子猛增了14.4個(gè)百分點(diǎn)，比前兩類數(shù)據(jù)的增益加起來還多。

Riemann-1.0團(tuán)隊(duì)認(rèn)為：

這說明人類數(shù)據(jù)帶來的遠(yuǎn)不止「更多訓(xùn)練樣本」，它給模型灌進(jìn)了更豐富的物體交互方式、動(dòng)作語義和任務(wù)先驗(yàn)，直接抬高了模型在沒見過的場景里的泛化上限。

另一組嚴(yán)格控制變量的實(shí)驗(yàn)更狠。

在專為雙靈巧手人形機(jī)器人設(shè)計(jì)的EgoVLA基準(zhǔn)測試中，同樣的模型、同樣的機(jī)器人數(shù)據(jù)，僅僅比較加不加人類視頻預(yù)訓(xùn)練：

長程多階段任務(wù)的成功率，從42.96%干到71.11%，暴漲28個(gè)百分點(diǎn)；

換成完全沒見過的視覺背景，也從26.36%提到43.33%。

任務(wù)鏈越長、場景越陌生，人類數(shù)據(jù)的價(jià)值越大。

搞定這個(gè)基礎(chǔ)性問題，最后來看整體成績單。

先看仿真端的三張考卷：

• LIBERO，業(yè)內(nèi)常用的標(biāo)準(zhǔn)操作評測，考基本功，Riemann-1.0成功率99.0%；
• RoboTwin 2.0，主打雙臂協(xié)作任務(wù)的仿真基準(zhǔn)，成功率94.3%；
• RoboCasa-365，前面說的最難家務(wù)大考，62.6%，登頂SOTA。

顯而易見，Riemann-1.0基本功評測穩(wěn)居第一梯隊(duì)，而優(yōu)勢最明顯的，恰恰是RoboCasa-365這種強(qiáng)調(diào)家庭長流程、跨場景泛化的考試。

不過，仿真刷榜終究是模擬考，真機(jī)上崗才是真考驗(yàn)。

上崗之前，團(tuán)隊(duì)先給模型安排了一輪「崗前實(shí)訓(xùn)」：針對真實(shí)落地場景的專項(xiàng)后訓(xùn)練。

他們搭建了四類代表性的家務(wù)考場：有序積木堆疊，考精準(zhǔn)操控和指令理解；柔性布料折疊，考形變物體的交互處理；桌面雜物整理和廚房餐具收納，考雜亂居家環(huán)境下的長流程連續(xù)操作。

示范數(shù)據(jù)靠人工遙操作采集，四類場景合并做聯(lián)合訓(xùn)練。

為了公平，參與對比的開源基座模型也拿同樣的數(shù)據(jù)、同樣的訓(xùn)練步數(shù)做了后訓(xùn)練，站在同一條起跑線上。

結(jié)果Riemann-1.0平均成功率85.00%，過程完成度（衡量長流程中間步驟推進(jìn)的指標(biāo)）94.43%，兩項(xiàng)都在所有對比方法里排名第一，領(lǐng)先最好的開源模型15個(gè)百分點(diǎn)。

而且四類任務(wù)成功率全部超80%，每項(xiàng)的過程完成度都在91%以上。

翻譯翻譯，不光結(jié)果能干成，中間每一步也走得穩(wěn)，長流程不掉鏈子。

視頻地址：https://mp.weixin.qq.com/s/KIBoK4IAklhdmU21fCIyVg

從仿真登頂?shù)秸鏅C(jī)上崗，Riemann-1.0把「看人類視頻學(xué)干活」這條路，從頭到尾走通了。

One More Thing

最后說回黎曼動(dòng)力本身?？吹竭@家公司第一眼，我就在想：

昆侖萬維，一個(gè)印象中涉足AI游戲、AI音樂、AI短劇等內(nèi)容賽道的公司，怎么突然干起機(jī)器人了？

還專門成立一個(gè)子公司獨(dú)立運(yùn)營？

理了理，背后其實(shí)是兩條邏輯線的交匯。

一條屬于行業(yè)。為什么人人都在談具身智能、世界模型這些？本質(zhì)上是因?yàn)榻换シ绞秸诎l(fā)生變革。

人和AI的交互，前幾年靠文字、圖片、音視頻；接下來，AI要開始伸手碰物理世界了。

內(nèi)容公司做機(jī)器人，看似突兀，放進(jìn)這個(gè)大轉(zhuǎn)向里，只是早晚問題。

另一條屬于昆侖萬維自己。它的下場，早有鋪墊。

早前那些高頻的模型更新就不說了，就說這次它主辦的《世界模型與多模態(tài)范式躍遷》論壇，其實(shí)一共亮相了三款模型：

• Matrix-3.5世界模型（升級）：可交互能力實(shí)現(xiàn)躍遷，打通數(shù)字孿生與具身智能底層底座；
• Mureka v9.5（升級）：AI音樂創(chuàng)作走向量產(chǎn)級落地；
• 機(jī)器人模型Riemann-1.0（首發(fā)）：打通世界模型與實(shí)體機(jī)器人交互閉環(huán)。

看出門道了嗎？前兩個(gè)管數(shù)字世界的生成，第三個(gè)開始伸手碰真實(shí)世界。

尤其是世界模型這塊底座，一頭連著游戲和視頻；另一頭，第一次連上了實(shí)體機(jī)器人。

數(shù)字牌打滿，下一張落在物理世界，水到渠成。

兩條線在這里交匯，就有了黎曼動(dòng)力。

至于為什么單獨(dú)成立公司？昆侖萬維的邏輯并不復(fù)雜：

機(jī)器人這種硬核賽道沒有速勝，得讓核心團(tuán)隊(duì)獨(dú)立發(fā)展、配上專屬資源、做長期投入。

母公司出算力、出生態(tài)，團(tuán)隊(duì)專心跑技術(shù)，各展所長。

一套動(dòng)作下來，昆侖萬維，這家?guī)啄昵熬桶选笇?shí)現(xiàn)AGI」寫進(jìn)公司使命的玩家，第一次真正把手伸進(jìn)了物理世界。

AGI的上半場在屏幕里，下半場，在屏幕外。

方向已明，剩下的，就看誰跑得快了。