【具身AGI导读】一份预印本把人形机器人基础模型的扩展拆成三件必须一起调的事——动作怎么定义、数据怎么配、架构撑不撑得住。
一支 18 位作者、来自多所高校与实验室的联合团队在 arXiv 上提交了一篇预印本，标题是《Scaling Behavior Foundation Model for Humanoid Robots》，提交日为 2026 年 7 月 16 日。论文要回答的问题很直接：人形机器人的行为基础模型，到底该怎么扩展。
据该论文，配方被拆成三件必须一起协调的事：把各类控制问题统一改写成「在全局坐标系下复现整段全身行为」的动作追踪范式；在线 rollout 数量与参考动作多样性之间的配比；以及一套名为 Humanoid Transformer 的可扩展架构。三件事单拎出来都不新鲜，难的是把它们调到同一个比例上。团队在一台人形机器人本体上完成训练，并在仿真与真机上分别做了验证。
放到具身智能的大盘子里看，人形机器人的全身控制长期靠逐任务调奖励函数来解决，每个动作、每种场景往往都要单独设计一套目标；而基础模型路线换了个问法，先把「行为」本身当成共同目标，再用同一套策略去承接不同类型的指令。行业里对同一件事的解法也并不统一，有的把重心放在采集更多真机演示，有的押注在仿真里先把策略练出来。
行业里各家的切入位置并不一致。深度机智（北京）科技有限公司的卡位是物理AI 基座模型。而这篇预印本关心的是另一件事：数据该按什么比例配、架构撑不撑得住更长的行程。
据该论文，这条线把行业的争论从「数据多不多」推进到了「数据怎么配」。作者把有效训练数据的定义从「攒了多少动作」改成了「跑了多少在线 rollout」，并区分出同质扩展与异质扩展：只把同一类行走动作扩到再多，覆盖的仍然只是单一行为模式；换成来自不同来源的参考动作，行为覆盖才会明显扩大。论文聚合了 8 个开源人类动作数据集，用一套两阶段重定向管线去弥合人类与人形本体之间的差异。作者也承认，规模往上推，并不是每一种控制模式都会跟着变好。
扩展到什么程度算够，论文自己给出两条边界。一条是行为覆盖度，另一条是硬件与算力预算——作者承认，要维持 50 Hz 以上的推理频率、同时给上层模型留出余量，模型参数量在当前硬件下不能无限加大。真机侧，据论文披露，高层模型的推理跑在 50 Hz，底层关节控制器跑在 200 Hz。还有一处自陈更直接：这套统一控制接口是不是最合适的抽象，论文说目前还没有定论，预训练基础设施也「相对初级且受限」，全部资源则承诺随后开源，但论文没有给出仓库地址。
规模不是配方，配比才是。
参考资料
arXiv · Scaling Behavior Foundation Model for Humanoid Robots · 2026-07-16