高德发布全身基座模型λ0，真机任务成功率提升22.5%

阿里巴巴集团旗下高德近日发布首个基于开放世界行为的全身基座模型λ0。该模型仅依靠人类行动数据，就能让机器人学习移动、姿态与双手操作的全身协调，不再局限于“局部动作学习”。在SIMPLE仿真基准及多项真机评测中，λ0均取得SOTA表现，数据采集效率约为主流方法的3.4倍，真机任务成功率较最强对比基线提升22.5%。

具身智能进入家庭、商超、仓库等开放环境后，机器人需要持续协调全身动作来完成复杂长程任务，而非固定站姿下的单一操作。现有技术路径难以支撑全身协同采集与学习：传统真机遥操采集依赖硬件设备与人工复位，扩展成本高昂；过往第一视角VLA（视觉-语言-动作）基座模型普遍缺失全身协调动作信息，数据多聚焦手部、臂部等局部交互，缺乏关节、躯干、位姿等全身动态信息。场景越开放、任务越复杂，这种“碎片化”动作学习越成为制约机器人通用能力与动作成功率的瓶颈。

λ0首创“无本体全身数据采集+软硬件协同人机对齐”的技术路径，以应对开放场景对采集效率、全身协调和跨本体迁移的挑战。

• 成本与效率：无本体全身数据采集摆脱对昂贵机器人本体的强依赖，采集者仅需佩戴消费级设备即可在日常环境中随走随采；代表性任务的单条示范采集用时由约100秒缩短至29秒，采集效率约为原来的3.4倍。
• 全身动作学习与对齐：依托软硬件协同的数据采集模式，完整记录并对齐视觉、身体位移与手部操作等全身动作信息，结合手部交互、全身协调、人形本体三阶段训练，逐步将人类经验转化为机器人的全身控制指令；基于这一可规模化管线，高德构建了包含500小时开放世界无本体全身数据的HumanVerse-500数据集。

（HumanVerse-500数据集的构建与全景统计）

针对人机形态差异与末端控制器执行偏差带来的迁移难题，λ0在采集、处理与动作端设计了视角匹配和“由粗到细”的动作对齐机制，在保留全身协调的同时优化物理接触精度。在跨形态迁移与数据扩展性方面，λ0面对7项全身协调与长程移动操作任务，仅凭人类行动数据即可在真机上实现零样本迁移；在同等机器人示范量条件下，随着人类全身数据规模扩大，真实机器人的任务表现显著提升，表明规模化积累人类全身数据是提升人形机器人真实任务表现的有效路径。

该模型研究由高德和阿里ATH事业群共同完成。从无需机器人到场的数据采集，到人机观测与动作对齐，再到真实机器人上的能力验证，λ0打通了人类全身经验走向人形机器人的完整链路，为机器人在巡检、物流等更多开放场景中学习和执行全身协调任务提供了基础。目前，λ0已在GitHub开源相关硬件配置代码，并在HuggingFace上线HumanVerse数据样例，方便开发者直接体验与研究。

项目主页：https://lambdahumanoid.github.io/

技术报告：https://arxiv.org/abs/2610.18950

GitHub：https://github.com/LambdaHumanoid/openlambda

HumanVerse 数据样例：https://huggingface.co/datasets/lambda-humanoid/HumanVerse-500-sample

本文由高德提供，量子位获授权转载，观点归原作者所有。

高德与千问C端应用团队开源AGenUI：首个覆盖iOS、安卓、鸿蒙三端的原生A2UI框架