BeingBeyond（智在无界）全系列 paper reading：31 篇论文的发展脉络与未来预测¶

系列阅读笔记 — 覆盖 BeingBeyond 自 2024-10 至 2026-07 的全部公开论文

单篇精读：Being-H0｜Being-H0.5｜Being-H0.7

0. 这家公司是谁¶

BeingBeyond（智在无界） 是一家做具身智能基础模型的创业公司，核心班底来自北京大学（Zongqing Lu / 卢宗青 是贯穿全部 31 篇论文的通讯作者）与中国人民大学（Qin Jin 组），第一作者群体高度集中在 Hao Luo、Sipeng Zheng、Ye Wang、Wanpeng Zhang、Yicheng Feng、Haoqi Yuan 这几位身上。

判断一篇论文属不属于 BeingBeyond，本文的口径是在 LaTeX 源码里出现 BeingBeyond 署名。按这个口径核查了 34 篇候选，确认 30 篇；再加上一篇只有 NeurIPS proceedings、没有 arXiv 的 OpenMMEgo，以及一篇发表于公司成立前但被 GitHub org 追认为系列起点的 Being-VL-0，共 31 篇。（Zongqing Lu 的另外几篇 —— DualTHOR、EgoTactile、EgoPressDiff、人类视频综述 —— 源码里没有公司署名，本文不计入。）

发表节奏（按 arXiv 首次提交月份）：

时间	数量	备注
2024-10	2	Being-M0、Being-VL-0（公司成立前的学术底子）
2025 全年	13	Being-0 开局，H 线与人形线并行铺开
2025-12	5	单月峰值 —— 触觉、空间、可靠性、抓取四线齐发
2026-01 ~ 07	10	Being-H0.5 / 0.7 两代主力 + 方法论批判集中出现

约 22 个月 31 篇，其中 18 篇有明确的顶会归属（ICML×2、CVPR×4、ICCV×2、NeurIPS×4、ICLR×2、ECCV×3、ACM-MM×1）。这个吞吐量在具身创业公司里属于第一梯队，而且开源程度很高 —— Being-H0 的 1B/8B/14B 权重、Being-H0.5 的 2B 权重、UniHand 数据、H-Tac 触觉数据、以及 27 个 GitHub 仓库基本都放出来了。

1. 完整论文索引（31 篇）¶

1.1 A 线：Being-H / 人本 VLA — 公司的主力产品线（9 篇）¶

#	论文	arXiv	时间	venue	一句话
A1	Being-H0: VLA Pretraining from Large-Scale Human Videos	2507.15597	2025-07	ICML 2026	把人手 MANO 动作 part-level 量化成 token 扩进 LMM 词表，1155 小时人类视频上做 physical instruction tuning
A2	Being-H0.5: Scaling Human-Centric Robot Learning	2601.12993	2026-01	–	unified action space 把人手当第 31 种本体，35,000 小时 / 30 本体，MoT + Mixture-of-Flow
A3	Being-H0.7: A Latent World-Action Model	2605.00078	2026-04	–	prior/posterior 双分支对齐，训练时吃未来、推理时不生成未来帧
A4	VIPA-VLA: Spatial-Aware VLA Pretraining via Visual-Physical Alignment	2512.13080	2025-12	CVPR 2026	双编码器加 3D 视觉分支，从人类视频抽 3D 视觉+3D 动作标注，预训练阶段就对齐 2D 视觉与 3D 物理空间
A5	JALA: Joint-Aligned Latent Action	2602.21736	2026-02	CVPR 2026	放弃像素重建式 latent action，改用「预测嵌入 ↔ IDM latent action」联合对齐；UniHand-Mix 把 Ego4D 野外视频拉进来（7.5M 样本 / 2000+ 小时）
A6	X-DiffVLA: X-Embodied Diffusion Action Heads	2605.25044	2026-05	–	Embodiment Forcing（CFG 风格）+ Morphological Tree Diffusion，专攻「同底座、异末端」的跨本体动作头
A7	TTP / H-Tac: Human-Centric Transferable Tactile Pre-Training	2607.01067	2026-07	–	160 小时人类触觉-动作数据（300+ 任务 / 135K episodes），统一触觉空间 + 触觉专家预测未来触觉信号
A8	UniTacHand: Unified Spatio-Tactile Representation	2512.21233	2025-12	–	把人手（触觉手套）和机器手的触觉都投到 MANO 2D 表面空间，10 分钟配对数据做对比学习，零样本人→机触觉策略迁移
A9	MEgoHand: Multimodal Egocentric HOI Motion Generation	2505.16602	2025-05	NeurIPS 2025	VLM「大脑」+ DiT flow-matching「小脑」双层架构，腕部平移误差降 86.9%

1.2 B 线：方法论与诊断 — 对自己所在赛道的批判（4 篇）¶

#	论文	arXiv	时间	venue	一句话
B1	Rethink-VLA: Alignment, Mixture, and Regularization	2602.09722	2026-02	RSS 2026 投稿	受控实验证明：EEF-relative 动作表示是跨本体迁移的关键；朴素堆异构数据会负迁移；sensory dropout 与多阶段训练在规模上不必要。提出 Grouped Blind Ensemble 盲测协议
B2	BeTTER: Unmasking the Illusion of Embodied Reasoning	2604.18000	2026-04	ECCV 2026	施加因果干预 + kinematic isolation，证明 SOTA VLA 在动态场景下灾难性失败，存在 lexical-kinematic shortcut、behavioral inertia、semantic feature collapse
B3	DiG: Transport Discrepancy as a Reliability Signal	2512.01715	2025-12	ECCV 2026	用 sliced Wasserstein 传输代价当作 flow-matching VLA 的内生可靠性信号，做残差精化与损失调制
B4	PTR: Conservative Offline Policy Learning via Posterior-Transition Reweighting	2603.16542	2026-03	–	无奖励的保守 offline post-training：用 transition scorer 估计「动作后果可归因度」的后验，重加权监督回归

1.3 C 线：Being-M / 人体动作生成 — 技术输血的源头（5 篇）¶

#	论文	arXiv	时间	venue	一句话
C1	Being-M0: Scaling Large Motion Models with Million-Level Human Motions	2410.03311	2024-10	ICML 2025	MotionLib（首个百万级动作数据集，15× 于既有）+ Motionbook（2D lookup-free 动作 tokenizer）
C2	Being-M0.5: A Real-Time Controllable VLMM	2508.07863	2025-08	ICCV 2025	HuMo100M（500 万序列 / 1 亿指令实例 / 部位级标注）+ part-aware residual quantization，首个实时可控 VLMM
C3	RLPF: RL from Physical Feedback	2506.12769	2025-06	ECCV 2026	用物理仿真器里的 motion tracking 策略给文本→动作生成器打分做 RL 微调，把「语义对但物理不可行」的动作拉回可执行域
C4	OpenT2M / MonoFrill	2603.18623	2026-03	CVPR 2026	2800 小时开源动作数据 + 秒级文本标注 + 物理可行性校验；2D-PRQ 按生物学部位切分的 tokenizer
C5	RoPar: Robust Motion Generation using Part-level Reliable Data	2512.12703	2025-12	ACM-MM 2026	身体分五部位、只信「清晰可见」的部位，part-aware VAE + 鲁棒掩码自回归；贡献 K700-M 基准（20 万真实动作序列）

1.4 D 线：人形本体 / 全身控制 / 灵巧抓取（9 篇）¶

#	论文	arXiv	时间	venue	一句话
D1	Being-0: A Humanoid Robotic Agent with VLMs and Modular Skills	2503.12533	2025-03	–	公司第一篇：FM（规划）+ Connector（轻量 VLM 桥接）+ 模块化技能库的分层人形 agent，除 FM 外全部可上机载算力
D2	JAEGER: Dual-Level Humanoid Whole-Body Controller	2505.06584	2025-05	–	粗（根部速度）/细（关节）双层全身控制器，AMASS 重定向 + 课程学习（先监督后 RL）
D3	BumbleBee: From Experts to a Generalist	2506.12779	2025-06	NeurIPS 2025	自编码器聚类把动作按行为相似性分组 → 每簇训专家 → 迭代 delta action 建模补 sim2real → 蒸馏成统一 generalist
D4	DemoGrasp: Universal Dexterous Grasping from a Single Demonstration	2509.22149	2025-09	ICLR 2026	把「抓取」重构成对单条演示轨迹的单步编辑（改腕部位姿=抓哪、改关节角=怎么抓），DexGraspNet 95%，仅训 175 个物体
D5	ProprioPlan: Proprioception-Aware Embodied Planning for Dual-Arm Humanoids	2510.07882	2025-10	–	双臂人形的本体感知规划
D6	DemoHLM: From One Demonstration to Generalizable Loco-Manipulation	2510.11258	2025-10	–	仿真里一条演示 → 数据生成 + 模仿学习 → 高层操作策略指挥低层通用 WBC，Unitree G1 上 10 个 loco-manipulation 任务
D7	SENTINEL: Fully End-to-End Language-Action Model for Humanoid WBC	2511.19236	2025-11	–	语言 + 本体感觉直接 → 低层动作，无中间表示；flow matching 出 action chunk + 残差头做真机精化
D8	DemoFunGrasp: Universal Dexterous Functional Grasping	2512.13380	2025-12	CVPR 2026	把功能性抓取分解为 grasping style × affordance 两个正交条件，沿用 DemoGrasp 的单步编辑 RL；接 VLM 做指令跟随
D9	FAST: General Humanoid WBC via Pretraining and Fast Adaptation	2602.11929	2026-02	–	Parseval-Guided Residual Policy Adaptation（正交 + KL 约束的轻量 delta 策略，抗灾难遗忘）+ 质心感知控制

1.5 E 线：Being-VL / Egocentric 感知基础（4 篇）¶

#	论文	arXiv	时间	venue	一句话
E1	Being-VL-0: From Pixels to Tokens — BPE on Quantized Visual Modalities	2410.02155	2024-10	ICLR 2025	把 BPE 原理用到视觉 token 上，抛弃独立视觉编码器，把结构先验直接写进图像 token
E2	Being-VL-0.5: Unified Multimodal Understanding via Byte-Pair Visual Encoding	2506.23639	2025-06	ICCV 2025	加入频率 + 空间一致性的 priority-guided 编码 + 课程式多阶段训练
E3	EgoDTM: 3D-Aware Egocentric Video-Language Pretraining	2503.15470	2025-03	NeurIPS 2025	轻量 3D-aware decoder 从伪深度图学 3D 感知 + 用基础模型把简短 caption 扩写成含手-物线索的描述
E4	OpenMMEgo: Enhancing Egocentric Understanding for LMMs	（无 arXiv）	2025	NeurIPS 2025	OME10M（820 万第一人称视频 QA）+ OMEBench + 语义感知视觉 token 压缩 + 课程学习，权重数据全开源

2. 发展脉络：六条贯穿性的线索¶

2.1 主轴：「人类数据是物理世界的母语」这一信念的四次升级¶

整个公司的技术叙事可以压缩成一句话的演进：

Being-M0  (2024-10)  动作是一门外语        →  把人体动作 tokenize 成语言
   │                  MotionLib 100 万条
   ↓
Being-H0  (2025-07)  人手是 foundation manipulator
   │                  UniHand 1155h / 444K 轨迹，part-level GRQ
   │                  「预训练-下游同构性」诊断
   ↓
JALA      (2026-02)  野外视频也能用        →  放弃像素重建，改隐空间联合对齐
   │                  UniHand-Mix 7.5M（含 Ego4D 2.5M）
   ↓
Being-H0.5(2026-01)  人手是第 31 种本体    →  unified action space
   │                  UniHand-2.0 35,000h / 30 本体 / 400M 样本
   ↓
Being-H0.7(2026-04)  人类视频里有「未来」  →  latent world-action model
                      prior/posterior 双分支对齐

值得注意的是信念的表述在不断软化、也在不断变得可操作：

Being-H0 说「人手是黄金标准的灵巧操作器」—— 这是一个关于人手特殊性的论断；
Being-H0.5 说「人手是 unified action space 里的一种广义本体」—— 人类数据在架构上丧失了特殊地位，它就是第 31 种本体，腕部位姿进 EEF 槽位、手指进 fine-manipulation 槽位；
Being-H0.7 更进一步，人类视频的价值从「提供动作标签」变成「提供未来观测」，用来塑造潜在推理空间。

这个演进方向是从「人手的形态先验」滑向「人类交互的因果/时序先验」。形态先验会被机器人形态差异稀释（MANO 45 维手指 → Inspire 6 DoF 是剧烈的信息压缩），而因果与时序先验不会。从技术判断上看，这个滑动是对的。

2.2 数据飞轮：从「用公开数据」到「造数据管道」¶

数据集	论文	规模	性质
UniHand	Being-H0	1155h / 444K 轨迹 / 166M 指令样本（实用 2.5M 子集）	11 个公开数据源聚合 + Gemini 标注流水线
UniHand-Mix	JALA	7.5M 样本（5M 实验室 + 2.5M 野外）	首次把 Ego4D 野外视频拉进来
UniHand-2.0	Being-H0.5	35,000h / 400M 样本 / 30 本体 / 120B token	16,000h 人类 + 14,000h 机器人 + 5,000h VL
UniCraftor	Being-H0.5	200h / 43 任务	自研便携采集系统，含深度、关键帧事件、精确外参，模块化预留触觉位
H-Tac	TTP	160h / 300+ 任务 / 135K episodes	自采触觉-动作数据
MotionLib → HuMo100M → OpenT2M	Being-M0/M0.5/OpenT2M	100 万 → 500 万序列 → 2800 小时开源	动作生成侧的同步扩容
OME10M	OpenMMEgo	820 万第一人称视频 QA	从 Ego4D 合成
K700-M	RoPar	20 万真实动作序列	新基准

关键转折在 UniCraftor：从这里开始，BeingBeyond 不再只是「聚合别人的数据」，而是在造自己的数据采集硬件与流水线。而且 Being-H0.5 明确写了这个系统「specifically designed to accommodate diverse and flexible viewpoints, as well as future tactile information」—— 这是一句预告。半年后 TTP 的 H-Tac（160 小时触觉）就落地了。

这条飞轮的另一半是「数据质量」：Being-H0 主动排除了 Ego4D（手部遮挡/出画）和 EPIC-Kitchens（动态视角），因为它的 pipeline 需要可靠的 MANO 标注。JALA 的整个存在理由就是补上这个缺口 —— 它放弃对精确手部标注的依赖，改用联合对齐，于是 Ego4D 的 1123 小时得以进入训练。OpenT2M 走的是同一条路的另一侧：物理可行性校验 + 多粒度过滤，用质控而非放弃标注来解决噪声。RoPar 则是第三条路：部位级可信度 —— 只信看得清的部位，看不清的直接忽略。

同一个「野外数据噪声」问题，被三篇论文用三种不同方式解决过，这是一个团队真的在啃这个问题的标志。

2.3 Tokenizer 谱系：一个关于「部位化」的技术执念¶

这是全系列最清晰、也最少被外界注意到的技术连续性：

Being-M0   Motionbook：2D lookup-free 动作 tokenizer，紧凑无损特征
    ↓
Being-H0   part-level GRQ：腕部 {r_rot, τ} 与手指 {θ, β} 各用独立 tokenizer
    │      动机：腕部参数分布跨越整个 3D 空间，混在一起量化会被腕部主导
    ↓
Being-M0.5 part-aware residual quantization：身体部位级的精细控制
    ↓
OpenT2M    2D-PRQ：按「生物学部位」切分身体，捕捉时空依赖
    ↓
RoPar      身体分五部位 + part-aware VAE + 部位级掩码生成

「把身体拆成语义部位、分别量化」 是贯穿 M 线和 H 线的统一信念，而且这个信念还外溢到了别的地方 —— Being-H0.5 的 unified action space 本身就是部位化思想在跨本体上的推广（双臂 EEF、关节位置、夹爪开度、手指关节、底盘速度各占语义隔离的槽位），ESA 的 slot-wise adapter 更是把「按部位共享参数」做成了跨本体迁移机制：同一手臂配不同的手，手臂槽位自动共享。

UniTacHand 也是同一思路的触觉版 —— 把人手和机器手的触觉都投到 MANO 的 2D 表面空间，用形态一致的表面参数化消解异构性。

2.4 架构路线的一次公开倒戈¶

代次	动作表示	架构	动作头
Being-H0	离散 motion token（扩词表）	单塔，vision/text/motion 共享 \(W_Q,W_K,W_V\)	MLP 回归 + L1
Being-H0.5	连续动作（unified action space）	MoT 双专家（Understanding + Action）	Rectified Flow
Being-H0.7	连续动作 + latent query	MoT 双专家 + prior/posterior 双分支	Flow matching

Being-H0 的核心卖点是「动作是第四种语言、和视觉文本共享同一套 attention 参数、纯自回归」—— 这是很纯粹的 LLM 原教旨主义。仅仅半年后，Being-H0.5 就倒戈到了 π₀ 的架构共识（双专家 + flow matching），论文里还专门写了一句「this dual-expert paradigm ... aligning with the architectural consensus established by recent state-of-the-art models such as π₀」。

有意思的是两篇论文都没有正面讨论这次转向 —— 没有「统一 token vs 双专家」的对照实验，没有解释为什么放弃。离散手部动作在 H0.5 里还保留着 masked token prediction，成了一个混合体，其必要性同样没有消融。

这是全系列在实验严谨性上最大的欠账之一，但从工程判断上，这次倒戈几乎肯定是对的：离散 token 在动作精度和推理延迟上的劣势，2025 年下半年已经被 OpenVLA-OFT、π₀ 系列反复验证过了。

2.5 从「刷成功率」到「做方法论」：一次可见的成熟¶

这条线索最能说明这个团队的质量。

2025 年的实验风格：Being-H0 的真机部分是「7 个任务、每任务 20 trials、报个成功率表」，没有显著性检验，没有盲测，评测者知道在测哪个模型。

2026 年发生了三件事：

Rethink-VLA (2602.09722) 提出 Grouped Blind Ensemble —— 操作员对模型身份盲、策略执行与结果判定分离，明确目标是「reducing experimenter bias」。同时这篇论文做的是一系列否定性结论：朴素堆数据会负迁移、sensory dropout 没用、多阶段训练不如直接端到端。一家公司发论文说「我们赛道上大家默认有效的三件事，其实有两件没用」，这是需要一点底气的。
BeTTER (2604.18000) 更狠 —— 直接论证 SOTA VLA 的「具身推理」在很大程度上是幻觉：施加因果干预（空间布局变化、时间外推）并做 kinematic isolation 后，SOTA 模型灾难性失败，暴露出 lexical-kinematic shortcut、behavioral inertia、semantic feature collapse，并把病根追到架构瓶颈（capacity compression、myopic downsampling）。结论是「静态评测协议在系统性地掩盖表征退化」。
Being-H0.7 真的用上了：统一黑盒 inference server、随机化被测 endpoint 与 rollout 顺序、操作员盲测、二值判定、每任务 20 blind trials。

内部的方法论批判被产品线吸收了 —— 这在论文工厂式的机构里是很少见的。

但也留下一个尴尬：BeTTER 论证 LIBERO 这类静态 benchmark 会掩盖问题，而 Being-H0.5/0.7 的头号卖点仍然是 LIBERO 98.9% / 99.2%。好在 H0.7 补上了 LIBERO-plus、RoboTwin-Hard 这类扰动 benchmark，算是部分自洽。

2.6 一个尚未被承认的内部矛盾¶

Rethink-VLA vs Being-H0.5，相差一个月，共享 4 位作者，结论方向相反。

Being-H0.5（2026-01）：35,000 小时、30 种本体、200× 扩容 → LIBERO 98.9%、RoboCasa 53.9% SOTA。叙事是「scaling works」。
Rethink-VLA（2026-02）：累积混合协议 D1(OXE only) → D2(+真机 EEF) → D3(+仿真 EEF) → D4(+关节)，RoboCasa 上 54.7% → 48.8% → 略回收 → 仍比 D1 低近 5pp；LIBERO 上 77.3% → 73.8% → 72.1%。叙事是「naively pooling heterogeneous robot datasets induces destructive interference」。

善意解读（我认为也是正确的解读）：Rethink-VLA 恰恰是 Being-H0.5 三大组件的存在性理由——

正因为朴素池化会互相干扰 → 才需要 unified action space 做结构化对齐；
正因为不同本体的最优速度场方向失配 → 才需要 MoF 稀疏路由和 ESA 槽位级隔离做容量隔离；
Rethink-VLA 确认 EEF-relative 是最可靠的表示 → Being-H0.5 的 unified action space 正是「统一世界系下的相对 delta 位移 + Axis-Angle」。

但 Being-H0.5 一个字都没提这个论证，也没有做「有/无 unified action space 下的数据 scaling 曲线」对照。结果是：读者无法判断 53.9% 究竟来自 200× 数据，还是来自这三个组件在对抗数据干扰。这是全系列最大的归因漏洞，也是最容易补上的一个实验。

3. 结构性观察：两座塔，一座桥还没修好¶

把 31 篇论文摊开看，最醒目的结构特征是两条几乎不相交的技术栈：

        A 线（操作 / VLA）                     D 线（本体 / 控制）
   ┌────────────────────────────┐      ┌────────────────────────────┐
   │ Being-H0 → H0.5 → H0.7     │      │ Being-0（分层 agent）       │
   │ JALA, VIPA-VLA, X-DiffVLA  │      │ JAEGER → BumbleBee → FAST   │
   │ TTP, UniTacHand, MEgoHand  │      │ DemoGrasp → DemoFunGrasp    │
   │                            │      │ DemoHLM, SENTINEL           │
   │ 方法：大规模预训练 + BC/flow │      │ 方法：RL + sim2real + 蒸馏  │
   │ 数据：人类视频              │      │ 数据：AMASS 重定向 + 仿真    │
   │ 输出：上身操作动作          │      │ 输出：全身关节力矩           │
   └────────────────────────────┘      └────────────────────────────┘
                    ↑                              ↑
                    └──────── 桥在哪里？ ──────────┘

Being-0（2025-03）本来就是那座桥 —— 它的三段式（FM 规划 + Connector 桥接 + 模块化技能库）明确要把高层认知和低层技能缝起来，Connector 这个轻量 VLM 就是为了解决「直接把 FM 接到技能库上会因长程复合误差和模块延迟不一致而崩掉」。

但此后一年多，两条线各自狂奔，桥没有再修。

最能说明问题的细节在 Being-H0.7 的真机部分：在 Unitree G1 上，H0.7 只输出 26-DoF 上身动作接口，底层 50Hz 全身平衡交给了 AMO —— 一个外部工作。而 BeingBeyond 自己有 JAEGER、BumbleBee、FAST、SENTINEL 四篇全身控制论文，一篇都没用上。

这不是疏忽，而是两条线的接口还没统一：A 线的动作空间是「统一世界系下的 EEF 相对 delta + 手指关节弧度」，D 线的动作空间是「关节力矩 / 全身运动指令」。中间缺一层。

这个缺口，我认为就是 BeingBeyond 下一步最重要的工作，也是本文预测的主要依据。

4. 大胆预测：接下来 12–18 个月会发生什么¶

以下预测按我判断的置信度从高到低排列。每条都给出支撑证据，方便日后回来打分。

4.1 【高置信】Being-H1 会是「操作 + 全身」的合体，A 线吞并 D 线¶

预测：下一代主力模型（无论叫 Being-H1 还是别的）会用一个 checkpoint 同时输出上身操作动作和全身控制指令，把 FAST/BumbleBee 那套 WBC 能力直接吸进 unified action space 的槽位里。

证据链：

Being-H0.5 的 unified action space 已经预留了底盘槽位（"mobile base velocity and heading commands"）—— 从 EEF/关节/夹爪/手指扩展到腿部关节只是槽位的自然延伸；
Being-H0.7 已经跑在 Unitree G1 和 PND Adam-U 上，但被迫外接 AMO —— 这是一个团队自己一定不满意的状态；
SENTINEL（2511.19236）已经把这条路探通了 —— 语言 + 本体感觉直接到低层全身动作，flow matching 出 action chunk + 残差头精化，架构语言和 A 线完全一致（flow matching + chunk + 残差）。SENTINEL 看起来就是 A 线架构在 D 线上的试点；
FAST（2602.11929）的 Parseval-Guided Residual Policy Adaptation 是为「快速适配 + 抗灾难遗忘」设计的 —— 这正是把一个大预训练模型接到新本体上时需要的东西；
DemoHLM 已经验证了「高层操作策略指挥低层通用 WBC」的分层可行性，缺的只是把高层换成 Being-H。

反过来说，如果 12 个月后 Being-H 系列仍然只管上身、底层仍然外接别人的控制器，那说明这个接口问题比我判断的难得多。

4.2 【高置信】触觉会成为 unified space 里的第四模态，并接管 H0.7 的 posterior 分支¶

预测：触觉从「一个额外的输入通道」升级为与 vision/language/action 并列的一等模态，写进 unified state-action space；同时，H0.7 的 posterior 分支会从「看未来 RGB」换成或扩展为「看未来触觉序列」。

证据链：

Being-H0 的 §3.3.3 就已经预告了：「incorporating visual depth information, tactile feedback, or other multi-sensory signals ... tactile feedback could capture crucial contact dynamics, grip forces, and material properties that are invisible in visual observations」；
UniCraftor 明确「designed to accommodate ... future tactile information」；
UniTacHand（2025-12）已经解决了表示问题 —— 人手手套触觉和机器手触觉统一投到 MANO 2D 表面空间，10 分钟配对数据即可对齐，零样本人→机迁移；
TTP（2026-07，最新一篇）已经解决了预训练问题 —— H-Tac 160 小时 / 135K episodes，统一触觉空间 + 统一动作空间贯穿 pre-train 与 post-train，而且用的正是双专家架构：action expert 出未来动作 chunk，tactile expert 预测未来触觉信号；
TTP 的「tactile expert 预测未来触觉」与 H0.7 的「posterior 分支编码未来观测」在结构上是同一件事 —— 两者合并是最小改动、最大收益的一步。触觉恰恰是视觉看不到但对动作极其有用的特权信息，比未来 RGB 更适合做 posterior。

这条预测的时间点我押得比较近 —— TTP 是 2026-07 的论文，是全系列最新的一篇，通常最新论文就是下一代的组件预告。

4.3 【中高置信】RL post-training 会进入 A 线，PTR 是第一块砖¶

预测：Being-H 系列会引入真实世界的 RL / 经验学习后训练，脱离纯 behavior cloning。

证据链：

整个 A 线目前是纯 BC（L1 回归 → flow matching），天花板明显 —— Being-H0.7 在 RoboCasa 上 62.1%、GR1 上 49.2%，离产品可用还很远，而 π 系列已经用 RECAP（π*₀.₆）验证了 RL 后训练能突破 BC 上限；
PTR（2603.16542）是显式的过渡形态 —— 它是「reward-free、conservative」的 offline post-training，用后验可归因度重加权监督回归。这是从 BC 走向 RL 的第一步：还不敢用奖励，但已经开始区分样本价值了。而且论文明确说它「compatible with both diffusion and flow-matching action heads」—— 就是为 A 线的动作头准备的；
D 线有极其丰富的 RL 经验 —— JAEGER、BumbleBee、DemoGrasp、DemoFunGrasp 全是 RL，DemoGrasp 那个「把长程探索重构成单步 MDP 编辑」的技巧尤其漂亮；
RLPF（2506.12769）已经在 C 线做过一次跨界 —— 用物理仿真器的 tracking 策略给生成模型打分做 RL 微调。同样的模式（用一个 critic 给大生成模型打分）搬到 VLA 上是直接的。

不确定的是形态：是像 RECAP 那样的 value-based 真机 RL，还是更保守的「离线重加权 + 少量在线修正」。考虑到 PTR 的保守取向，我押后者先来。

4.4 【中置信】显式 world model 与 latent world model 会合流¶

预测：下一代会训练时同时做像素/视频预测和 latent 对齐、推理时只留 latent，即 Fast-WAM 路线与 Being-H0.7 路线的合体。

证据链：

Being-H0.7 自己的表格暴露了短板 —— RoboCasa 上 62.1% 输给 Cosmos-Policy 的 67.1%（而且 Cosmos 只有 2B，比 H0.7 的 3B 还小）；RoboTwin 上 90.2/89.6 输给 LingBot-VA 的 92.9/91.6 和 Fast-WAM 的 91.9/91.8。论文把这些数字如实列出但没有分析 —— 这通常意味着团队内部知道问题在哪；
这些反例直接挑战了 H0.7「像素预测是昂贵且间接的底座」的核心论断 —— 至少在某些 benchmark 上，显式未来生成买到了 latent 对齐买不到的东西；
H0.7 的相关工作章节里对 Fast-WAM 的描述非常准确、也很尊重（「shows that retaining video co-training during training while removing test-time future generation can preserve strong action performance with substantially lower latency」），说明他们研究得很仔细；
技术上这个合并几乎没有阻力 —— posterior 分支加一个像素重建头即可，推理时照样丢掉。

4.5 【中置信】模型会往小走而不是往大走，边缘部署是硬约束¶

预测：Being-H 系列的主力规模会稳在 2B–4B，不会去追 7B/10B+；MoF 的稀疏激活会被进一步强化，Orin-NX 级别的边缘部署会成为公开的硬指标。

证据链：

规模轨迹本身就在说话：Being-H0 有 1B/8B/14B 三档，Being-H0.5 主力是 2B，Being-H0.7 是 3B —— 在同行普遍往 3B→4B→7B 走的时候，他们从 14B 退回到了 2B；
Being-H0.5 明确把 MoF 的「总参数与激活参数解耦」 说成是「makes Being-H0.5 highly deployable on resource-constrained edge hardware, such as the NVIDIA Orin-NX」；
Being-H0.5 把 "Real-Time Infrastructure" 列为四大贡献之一，Being-H0.7 报 3–4 ms/step；
Being-0 从第一篇起就坚持「除 FM 外全部组件可部署在低成本机载算力上」—— 这是刻在公司基因里的约束；
商业逻辑：一家要卖机器人（而不是卖 API）的公司，推理成本直接吃毛利。

唯一的反向风险：如果 BeTTER 诊断出的「capacity compression」瓶颈真的需要更大模型才能解，他们可能被迫放大。但从 MoF 的设计看，他们的答案是「用稀疏专家扩容量、而非稠密扩参数」。

4.6 【中置信】数据采集系统会产品化 / 开放¶

预测：UniCraftor 会被做成可对外的产品或开源硬件方案，配合众包式的人类演示数据采集。

证据链：

Being-H0.5 描述 UniCraftor 时用了 "portable, plug-and-play"、"intentionally modular and extensible" 这类明显不是学术措辞的词；
论文承诺开源包含「model weights、training pipeline、simulation scripts、real-world deployment infrastructure、以及 1,000 GPU-hour 预训练配方」—— 这是在铺生态而不是守秘密；
整个 A 线的瓶颈是人类数据规模，而人类数据的边际采集成本远低于遥操作数据 —— 谁能把采集设备铺出去，谁就有数据护城河；
GitHub org 里已经有 Beingbeyond_D1_edu（D1 机器人教育版 SDK）和 Beingbeyond_D1 —— 说明他们已经在做面向外部用户的硬件产品线。

4.7 【中低置信】评测方法论会被包装成公开资产¶

预测：BeTTER + Grouped Blind Ensemble + 黑盒盲测 inference server 会被整合成一套公开的 VLA 评测标准 / 排行榜。

证据：三篇论文（Rethink-VLA、BeTTER、Being-H0.7）分别贡献了协议、诊断基准和部署栈，三者拼起来正好是一套完整的评测方案；而且 BeTTER 已经以 benchmark 形态发布。在一个人人都在刷 LIBERO 且已经饱和的赛道上，「定义怎么评测」是很有价值的话语权。

置信度我给得不高，因为这件事的商业回报不直接，创业公司未必有余力。

4.8 【低置信 / 反向预测】Being-VL 线大概率不会复活¶

预测：视觉 BPE 这条线（Being-VL-0 / 0.5）已经实质性终止，不会有 Being-VL-1。

证据：

这条线最后一篇是 2025-06（ICCV 2025），此后 14 个月没有后续；
Being-H 系列的 backbone 一路是 InternVL3 → InternVL-3.5，视觉编码器 H0.7 换成了 V-JEPA2.1 —— 全部是外部现成模型，没有一处用自家的 BPE 视觉 tokenizer；
Being-H0.5 承认「the choice of the VLM backbone is critical」并说打算「systematically benchmark alternative backbones in future exploration」—— 语气是「我们要挑一个好的现成 backbone」，不是「我们要自己做一个」；
从资源配置角度，一家具身创业公司自研通用多模态 backbone 的性价比极低。

这条线更可能的归宿是：作为学术资产保留，技术并入 E 线的 egocentric 理解（OpenMMEgo 已经在做 Qwen2.5-VL 的第一人称增强），服务于 A 线的 backbone 选型。

4.9 【值得关注的暗线】三条可能的意外方向¶

这些我没有足够证据给置信度，但都有伏笔：

H0.7 的 prior-posterior 差距当作不确定性信号 —— \(\|h^{\text{prior}}-h^{\text{post}}\|\) 训练时可算、推理时不可算，但可以训个小 head 去预测它。这与 DiG 的 gate 和 MPG 的 SWD 门控是同一类思路，三者合并会得到一个统一的「策略自知之明」模块，可用于 OOD 检测、ask-for-help、安全兜底。DiG → MPG 的演化已经发生了一次（H0.5 明确说 MPG 改自 DiG-Flow 并给出方差论证），第三次演化是自然的。
DemoGrasp 的「单步 MDP 编辑」思想外溢到操作 —— 把长程高维探索重构成对单条演示的一步编辑，这个技巧在抓取上拿到了 95% / 84.6% 跨本体成功率，而且已经复用到 DemoFunGrasp 和 DemoHLM。它本质上是一种极强的动作空间降维，理论上可以套到任何有「一条参考轨迹 + 需要泛化」结构的任务上。
Being-0 的 Connector 会以新形态回归 —— 当 A 线模型大到需要考虑「什么时候调用大模型、什么时候用快速反射」时，Connector 那种「轻量 VLM 做高低层桥接 + 动态协调 locomotion 与 manipulation」的设计会重新变得必要。现在的分层是 AMO 那种硬编码的接口，未来大概率要换成学出来的。

5. 如果我是这个团队，我会先做这三个实验¶

按「投入产出比」排序，都是现有材料就能做、且能解决系列最大疑点的：

补上 unified action space × 数据 scaling 的 2×2 网格。在有/无 unified action space 两种设定下，重跑 Rethink-VLA 的 D1→D4 累积混合协议。这一个实验同时回答两件事：Being-H0.5 的 53.9% 有多少来自数据、多少来自架构；以及 Rethink-VLA 的「负迁移」诊断是否真的被 unified action space 治好了。这是全系列最大的归因漏洞，也是最容易补的。
Being-H0.7 的 \(w_{\text{align}}=0\) 消融。保留 latent query、关掉未来信息注入。如果这个 baseline 拿到大部分收益，那 H0.7 的故事就得从「latent world model」改写成「增加有效推理深度」。这是整篇论文核心主张的唯一致命对照，现在缺失。
MoF 的路由决策可视化。不同本体/任务实际路由到哪些专家？如果按技能聚类，说明真学到了可迁移运动基元，MoF 的叙事成立；如果按本体聚类，MoF 就退化成了带软共享的 per-robot head —— 而 per-robot head 恰恰是 Being-H0.5 花了整节篇幅批评 GR00T 的做法。这个实验有把论文核心贡献证伪的风险，但正因如此它才值得做。

6. 一句话总结这家公司¶

BeingBeyond 押的是一个非常清晰、也非常大的赌注：机器人数据永远不够，所以要把人类当作数据源 —— 从人手动作（Being-H0）、到跨本体统一动作空间里的一种广义本体（Being-H0.5）、再到人类视频里隐含的未来结构（Being-H0.7）。这条路线在 22 个月里迭代了四代、扩了 200 倍数据、并且在同一时期发论文论证自己赛道上一半的通行做法是无效的（Rethink-VLA、BeTTER）。

他们最强的地方是技术信念的连贯性（部位化 tokenization、人本先验、统一动作空间三条线索贯穿始终）和自我批判的诚实度（盲测协议真的用上了）。最弱的地方是归因实验的缺失 —— 每一代都同时换掉数据、架构、backbone 三样东西，导致「哪一步真的有用」始终说不清楚。

下一个 checkpoint 值得盯的三件事：上身与全身控制会不会合并、触觉会不会进主干、BC 会不会让位给 RL。

参考资源¶

公司主页: https://beingbeyond.com/｜研究页: https://research.beingbeyond.com/
GitHub org: https://github.com/BeingBeyond（27 个仓库）｜HuggingFace: https://huggingface.co/BeingBeyond
本站单篇精读: Being-H0 (2507.15597)｜Being-H0.5 (2601.12993)｜Being-H0.7 (2605.00078)
相关对手工作（本站已有笔记）: Fast-WAM (2603.16666)｜LingBot-VA (2601.21998)｜π₀ (2410.24164)｜π₀.₅ (2504.16054)｜π*₀.₆ RECAP (2511.14759)｜OpenVLA-OFT (2502.19645)｜ABot-M0 (2602.11236)