看了20万小时「人类干活实录」，机器人悟了|动作|机器人|真实场景|翻译|预训练

刚刚，机器人圈公认最难的「家务大考」RoboCasa-365，榜首换人了。

新纪录62.6%，比之前的SOTA直接高出8.4个百分点。

要知道，这个榜上大部分模型还在50%以下挣扎。

更有意思的是，登顶的这个名字，之前几乎没人听说过：Riemann-1.0，黎曼动力。

一查，好家伙，首秀。这个模型才刚在WAIC 2026上正式发布。

跑分说明不了一切，我又去翻了它的真机视频。

随手点开一段机器人收拾餐桌的demo，只能说，榜单没骗人。

薄薄贴在桌面上的勺子，夹得起来；碗里剩的汤，知道先倒了再收；完事了还顺手把桌子擦干净。

视频地址：https://mp.weixin.qq.com/s/KIBoK4IAklhdmU21fCIyVg

（完了，估计连老妈以后的台词都要改了：连机器人都比你眼里有活儿~）

再往上扒，黎曼动力背后站着的是昆仑万维——前者正是昆仑万维专为具身智能方向成立的子公司。

一个新面孔，凭什么首秀就登顶？

答案藏在它的「食谱」里：23.2万小时训练数据中，占大头的根本不是机器人数据，是人的视频。

没错，人做饭、叠衣服、收拾桌子的第一视角视频。

造机器人大脑，行业吵出了新共识

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。

VLA和世界模型，谁代表机器人的未来？行业曾为此分裂成鲜明两派。

两派各有优劣，为便于大家做对比，这里我直接放了一张AI生成的图表：

△图片由AI生成

简单总结就是，VLA属于「直觉派」，快但容易翻车；世界模型则属于「深思派」，稳但是又慢又贵。

吵着吵着大家发现：算了，既然各有优劣，那不如来一个取长补短？

于是，两条路线开始合流。

今年6月，英伟达西雅图机器人实验室发布了一篇长文综述，文章的核心判断是：

World Action Model（WAM，世界动作模型）已经从VLA研究里的小众分支，迅速长成了机器人基础模型的第二条主路线，而下一代机器人基础模型，大概率是两者的混合体。

△图源：英伟达官方技术博客

ICML 2026上，包括LeCun团队在内的多篇论文也在往同一个方向使劲：

从海量无标注的野外视频（in-the-wild videos）里学习潜在动作世界模型。

△图源：ICML官网

把这些工作放在一起看，一条正在被越来越多团队验证的训练范式浮出水面：

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。

这就解释了，为什么下一代机器人大脑，都盯上了「人的视频」。

对机器人来说，人类每天的生活就是一场不间断的操作示范。做饭、叠衣服、整理房间，这些第一视角视频里，藏着人类怎么感知环境、规划动作、处理意外的全部秘密。

而且这类数据要多少有多少，场景丰富，还在源源不断地增长。

实际上，行业里少部分前沿玩家已经看到了这点。比如Being-H0.7用了20万小时第一视角人类视频，Generalist AI的GEN-1更是砸了50万小时可穿戴设备采集的人类数据。

作为其中之一，Riemann-1.0的独特之处在于：

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。

而它之所以能跑通，关键在于解决了一个核心难题：人类视频里没有机器人动作标签。

没错，再漂亮的范式，也有自己的问题要解决。

人叠衣服的视频看得再多，机器人手臂该转多少度、夹爪该用多大力，视频里一个字都没写。

看得懂，做不出。

20万+小时人类干活的视频，怎么变成机器人手上的活儿？

这正是Riemann-1.0故事的起点。

23.2万小时视频，怎么变成机器人的手艺

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

从名字就能看出来，它正是前文说的「混合体」：

VLA的手它有（直接出动作），世界模型的脑它也有（预演世界演化），两派的活儿，一个模型全包了。

而它要攻克的，正是行业面前那道共同的坎：

怎么把没有动作标签、来源五花八门的开放世界数据，变成机器人可执行的控制能力，而且要跨机器人本体通用。

Riemann-1.0的解法，用做菜来类比，可以拆成三步。

Part 1：准备食材

数据就是食材。

仔细一扫Riemann-1.0的案板，只见上面摆着这样「三道菜」：

「广菜」：20万+小时人类第一视角视频；
「精菜」：1.2万+小时UMI与外骨骼手套数据；
「准菜」：2万+小时机器人真机与仿真轨迹。

三种数据来源，23.2万小时训练数据，覆盖41种机器人本体、数千种交互方式。

就这个规模，不得不说，已经足够机器人把人间烟火看个遍了（doge）。

△图片由AI生成

不过，食材多，不等于能直接开席。

尤其是占大头的那道「广菜」：20万+小时人类视频，没洗没切，连动作标签都没有，没法直接下锅。

怎么办？先备菜。

Part 2：备菜

黎曼动力为此自研了一套自动化人类数据处理流水线，专门负责洗菜切菜。

这套流水线怎么干活？不妨在头脑中想象，你正在跟着一段视频走一遍：

一段「人在厨房切菜的第一视角」视频进厂，第一件事是摆正。

鱼眼镜头的畸变、歪了倒了的画面，统统矫正成正视图，方便后面下刀。

接着VLM上场，把长视频切成一个个细粒度动作，给每一段配上任务描述、动作指令、场景和物体信息。

切完还得过两轮一致性校验，标得对不上的，推倒重来。

切好的片段紧接着过质检。

画面里人太多的、动作没意义的、遮挡严重的、活儿没干完的、不是第一视角的、手出了画面的，六类废片，直接进垃圾桶。

活下来的片段，迎来整条流水线上最核心的一步：给手建3D模。

系统检测并追踪画面里的手，重建出完整的手部姿态，再配合相机位姿估计，把手的运动轨迹换算进世界坐标系，最后做整段平滑。

到这一步，视频里「手怎么动」，第一次变成了机器可读的3D坐标。

当然，重建的质量也得把关。

手看不清的、动得太快的、镜头晃太狠的，按阈值再筛一轮，和前面的语义质检互为补充。

最后一步是装盘：按场景、任务、动作、技能、物体五个层级分好类，均衡配比，防止模型偏食。

一段段视频这样走下来，海量「人类干活的录像」，就变成了一本机器人能读懂的「动作教材」。

P.S. 另外两道菜由于自带夹爪传感，业界已有相对成熟的处理流水线，这里就不多展开了。

Part 3：炒菜

食材备好，现在终于可以开火了。

炒菜讲究方法和火候，对应到模型上，就是架构和训练策略。

架构上，Riemann-1.0基于扩散架构，提出了全因果动作-视频联合建模框架，把视觉动态、环境状态和机器人动作序列，放进同一个生成过程中统一学习。

这意味着，模型不只是知道「眼前看到了什么」，还在学习「动作会如何改变环境，以及下一刻世界可能变成什么样」。

而为了让同一个模型适配41种不同形态的机器人本体，Riemann-1.0进一步设计了本体专属的动作映射模块：

共享对世界的理解，同时保留不同机器人的「肢体适配能力」。

说到底，它试图打造的是一个负责理解环境、预测变化的「通用世界大脑」，然后通过不同机器人的动作适配器，把这种理解转化为具体的执行能力。

再说火候。

训练分三段，秘诀藏在一组数字里：动作损失权重0.1→0.5→0.9。

第一阶段，小火慢炖。用Latent Action Model从海量人类视频里提取伪动作信号，动作权重只给0.1，让模型安心看片，先学会物理世界的运行规律。
第二阶段，中火调味。引入UMI和机器人真实动作数据做校准，权重拉到0.5，把伪动作空间平滑过渡到真实控制空间。
第三阶段，大火收汁。纯机器人数据集中强化，权重推到0.9，火力全开练出能直接上岗的真功夫。

从「以理解世界为主」渐进切换到「以执行动作为主」，有点像大模型训练里从预训练到对齐的路径，只不过载体从文本换成了物理世界的动作。