论文记录 · 证据边界公开

Being-H0: Vision-Language-Action Pretraining from Large-Scale Human Videos

arXiv technical report; project team reports ICML 2026 acceptance, proceedings unverified · 2025-07-21 · 人类视频到机器人动作

论文元数据

作者: Hao Luo、Yicheng Feng、Wanpeng Zhang、Sipeng Zheng、Ye Wang、Haoqi Yuan、Jiazheng Liu、Chaoyi Xu、Qin Jin、Zongqing Lu
机构: 机构尚未补齐
发布日期精度: 日
研究方向: 人类视频到机器人动作
机器人: 未关联具体机器人
DOI: 10.48550/arXiv.2507.15597
arXiv: 2507.15597
引用元数据: 0
记录状态: included
质量检查: 无自动质量红旗

工程资源状态

代码: 已终审官方代码（开放范围与依赖见下）
权重: 已终审官方权重（模型卡与使用边界见下）
数据: 已终审官方数据（下载、格式与上游条款见下）
许可证: 制品许可证已逐项核验（不等于可商用）

当前实践优先级

观察 · 54/100 · 13–24 个月

研发注意力：37/80 · 证据分项观察

工程落地：13/15 · 量化实机证据＋工程实用增量

标准分类标签：颠覆性分支

路线评审说明：人类视频预训练 VLA 颠覆性分支

社区证据类型：尚无独立社区验证

把大规模人类手部视频转成机器人动作预训练信号，权重和后训练子集真实可用；但UniHand-2.5M和训练代码缺失，尚不能端到端重建。

近期窗口 · 18/35
发布距评分基准日 13 个月，落入 13–24 个月窗口。
社区可复查验证 · 0/25
没有独立团队公开固定提交、硬件、任务分母和同条件指标。
跨领域技术创新 · 19/20
把互联网/采集人类手部视频、MANO运动表示、动作tokenizer与VLA机器人控制连接起来。
量化实机证据 · 8/10
作者在Franka Research 3加Inspire手上给出多任务定量结果和视频。
开放与可复现 · 4/5
推理代码、五组权重和约1.17GB后训练子集可下载；训练代码和UniHand-2.5M全量未发布。
工程实用增量 · 5/5
为昂贵机器人采集提供人类视频预训练杠杆，并保留可微调权重与后训练样本。

社区可复查证据：尚未收录；Stars、forks 与作者演示不计社区验证。

证据缺口：缺少显式可复查社区复现/部署证据；UniHand-2.5M未发布；训练代码未发布；完整真机开发栈未发布；MANO资产需独立许可；无独立复现

当前实践分只决定今天的阅读与最小验证优先级；近期、社区验证和跨领域创新合计 80/100，不会把前沿观察条目自动升级成候选或确认里程碑。社区维度只有显式独立证据才能得高分，只有失败记录时必须标为社区反证。

已终审工程资源

官方代码 · 许可证 MIT · 最近核验 2026-07-19
依赖：Linux x86_64、Python 3.10.18、PyTorch 2.7.1、transformers 4.43.4、accelerate 1.9.0、bitsandbytes 0.46.0、DeepSpeed 0.15.4、FlashAttention、MANO assets under a separate license；硬件/传感器：GPU required by the documented command; minimum VRAM not disclosed、paper setup: Franka Research 3, Inspire hand and RealSense L515；实机证据：The paper and official videos provide quantitative Franka plus Inspire-hand evidence; independent reproduction was not established.；开放范围/限制：Inference/evaluation and tokenizer code are public, but training scripts, the complete real-robot development stack and simulation benchmark remain unreleased.
官方权重 · 许可证 MIT · 最近核验 2026-07-19
依赖：Being-H0 inference code、GPU; model-specific minimum VRAM not disclosed、MANO assets for the motion pipeline under a separate license；硬件/传感器：paper setup: Franka Research 3, Inspire hand and RealSense L515；实机证据：The paper reports real-robot task success comparisons and the official project hosts real-robot videos; no independent reproduction was verified.；开放范围/限制：The collection contains five verified public model repositories. Open weights do not imply that the unreleased training code or full pretraining data are available.
官方数据集 · 许可证 MIT · 最近核验 2026-07-19
依赖：Being-H0 data loader、upstream test datasets are not redistributed、MANO assets require separate registration and license；硬件/传感器：paper data collection: Franka Research 3, Inspire hand, Gello exoskeleton and RealSense D435i；实机证据：The paper reports 50 to 100 teleoperation trajectories per downstream task; the released object is only the post-training subset.；开放范围/限制：Verified public dataset contains 10,820 files and 1,169,256,624 bytes. It is not the complete UniHand-2.5M pretraining corpus.

“官方”表示归属与论文关系已核验；仍应按所列依赖、硬件和许可证复现。

原始来源

最近核验：2026-07-23。链接存在不等于官方仓库、可运行、已开放权重/数据或许可证允许使用。