全球具身智能领域迎来重大突破，通用具身基础模型公司智在无界宣布推出全球首个全身移动操作隐式世界动作模型——Being-M0.7。这款基于Latent WAM（隐式世界动作模型）架构的模型，突破了传统机器人仅能完成桌面级操作的局限，实现了从视觉感知到全身协调运动的完整闭环，标志着机器人向具备人类级环境交互能力迈出关键一步。
不同于传统视觉模型仅能识别物体，Being-M0.7通过在隐空间中构建物理规律推演机制，使机器人具备"内心推演"能力。该模型通过超万小时的人类第一视角视频预训练，在无需生成像素画面的情况下，直接在表征层面理解流体动力学、镜面反射等物理现象。例如在鱼缸捞鱼任务中，机器人能准确判断水的浮力、渔网与鱼的相互作用力，自主完成捞取动作；镜像取物演示则展现其对镜面反射原理的深度理解，通过分析虚拟影像反推真实物体位置。
技术架构层面，智在无界创新的MoT（Mixture-of-Transformers）混合架构实现了视觉与运动模态的高效协同。该架构通过独立处理通道设计，既可利用Vision-Motion配对数据发挥跨模态注意力优势，又能单独处理纯视觉或纯运动数据，将可用数据规模扩展至传统方法的数倍。特别引入的统一运动表征体系，成功弥合人类与机器人本体形态差异，使模型能从人类运动数据中提取稠密的运动级知识，而非仅依赖稀疏的任务标签。
在移动操作协同方面，Being-M0.7展现出卓越的环境适应能力。搬箱避障演示中，机器人怀抱箱子穿越障碍时，即使第一视角被遮挡，仍能通过负载感知和空间预测规划侧身路线；移动放置抓取任务则证明其可串联多个子任务，完成从取出法棍到放置花束的长程操作。这些能力源于模型对物理空间的全局理解，而非简单的动作模仿。
数据利用效率是该模型另一突破点。通过隐式表征技术，Being-M0.7将真机适配所需样本量降低90%以上。预训练阶段吸收的超万小时混合模态数据，包含人类行为视频与运动捕捉数据，使模型掌握通用运动协调模式后，仅需少量真机数据即可完成特定机器人的策略迁移。这种训练范式大幅降低了具身智能的落地成本，为规模化应用奠定基础。
多模态融合设计为模型进化预留充足空间。当前版本已实现视觉与运动模态的联合预训练，未来计划逐步引入文本、音频、触觉等数据维度。文本模态将赋予机器人理解高层指令的能力，音频线索可增强环境感知，触觉反馈则能完善材质识别。这种分层融合架构使模型具备持续进化潜力，随着数据规模扩大，其环境理解能力将向人类水平逼近。
作为智在无界隐式世界动作模型路线的里程碑成果，Being-M0.7的发布重新定义了机器人环境交互标准。从桌面操作到全身移动，从单一感知到多模态理解，这款模型展现的不仅是技术突破，更是具身智能从实验室走向真实场景的关键路径。随着后续迭代推进，机器人有望在工业搬运、家庭服务、灾害救援等领域发挥更大价值。
