银河通用前几天发了一个叫AstraBrain-WBC 0.5的模型，给人形机器人的身体配上了一个能零样本学会新动作的Transformer操控器。

  论文被CVPR 2026接纳，代码和数据都开源了。这个模型的论文标题叫Humanoid-GPT。

  跟文字范畴的GPT相同，它也企图证明一件事：把数据堆到足够大、把模型换成Transformer，Scaling Law在物理国际相同管用。

  演示视频里一台宇树G1机器人跟着视频里的人类动作跳舞，动作连接流通，没有预编程，没有针对详细动作做微调。论文数据也厚实，零样本运动追寻成功率92.58%，推理推迟压到了0.39毫秒。

  大脑管感知和使命规划，知道面前是个箱子，箱子要搬到B区。神经操控管结尾的精密操作，手指怎样捏住一颗螺丝。夹在中心的小脑，管全身运动和谐。重心在哪，哪条腿先迈，手臂和躯干怎样合作，速度多快。

  大脑皮层做规划，脑桥把指令传给下面，小脑做和谐和履行。机器人职业一向以来最头疼的问题是小脑。

  大脑的感知才能靠视觉大模型每年都在跳级，结尾的灵活手也渐渐变得精密了，就夹在中心的这一层，要让一台双足人形机器人在任何姿势下都能稳定地站着、走起来、做出指定动作，一向没有一个通用解。

  曾经的思路是针对每个动作独自练习一个操控器。教会机器人走路，需求专门收集一批走路的动捕数据，标好关节视点，用强化学习训一个战略。教会它跑步，再训第二个。

  有多少种动作就训多少个操控器，每个操控器换场景就失效。机器人学会了一套娴熟的行走战略，换到斜坡上或许就不灵了。

  AstraBrain-WBC 0.5想试的是另一条路。能不能像一个GPT模型处理各种文字使命相同，一个模型处理一切动作。

  银河通用的团队把人类手动捕捉范畴简直一切揭露数据集全扒出来了，AMASS、LAFAN1、Motion-X++、PHUMA、MotionMillion，再加上自己录的超越一千小时动作数据。兼并、挑选、增强今后，得到了20亿帧通过宇树G1关节空间重定向的动作数据。

  同类研讨此前最大的练习集大约是1亿帧等级。英伟达其时做的SONIC大约堆到了1亿帧。银河通用这个，是它的200倍。

  此前人形机器人运动追寻的干流架构是MLP。MLP做运动操控有一个先天的短板：它每次只能看一个时刻的状况切片。

  脚步和重心之间的联系跨了十几帧乃至几十帧，MLP没办法天然地建模这种长距离依靠，只能靠把前史数据拼接到输入向量里这种暂时计划来凑。

  MLP在多模态、高动态的动作数据上练习，到了必定规划今后边沿收益越来越小。Transformer的自注意力机制不同。

  模型在序列中每个方位都能一起回望此前恣意长度的前史帧，捕捉到当时动作和32帧前的某个姿势之间的相关。

  关于人形机器人，这种跨帧的连接性直接决议了走路像不像人、跳舞会不会忽然僵住。

  相同是20亿帧练习数据，MLP在大约50K步今后丢失曲线进入渠道期，Transformer在200K步今后还在往下走。Transformer终究稳定在约0.06的水平，MLP停在约0.08。这0.02的距离在真机上的体现，便是走路的步态有没有人味。

  练习时，MLP每次只能处理一个时刻步，想掩盖一条长序列得循环N次。Transformer一次前向就能处理整条序列一切方位，练习吞吐量在20亿帧这个数据规划下直接拉开了数量级距离。

  假如依然用MLP，相同20亿帧数据需求多出几倍的核算资源和时刻才能跑完一轮。

  工程布置上，团队做了TensorRT编译和C++流水线Hz。比照TWIST体系的2.79毫秒，速度快了约5倍。更大的模型反而跑得更快，靠的是因果注意力和MLP交融算子的专项内核优化。

  直接用一个Transformer从20亿帧的原始数据端到端练习是不现实的。团队先用强化学习PPO在约300个动作族群上别离练习了384个运动专家。

  每个专家只担任自己那个风格的动作，走路专家不论跳舞，跳舞专家不论冲刺。每个专家能把自己的风格做到很高的保真度。

  然后用DAgger蒸馏结构，让一个一致的Transformer通才模型一起向384个专家学习。

  384个专家的常识被蒸馏到了一个8040万参数的模型里。蒸馏完结今后，布置时只需求这一个大模型。

  128个簇，每个专家管得太杂，单个专家的练习质量上不去，蒸馏出来的通才也弱。1024个簇，相邻专家之间的监督信号开端相互搅扰，学生模型不知道究竟该听谁的。大约384个是当时数据规划下多样性、质量和本钱的最优折中点。

  整个练习进程消耗大约15000个GPU小时。75%用在专家练习上，跑的是RTX 4090；25%用在Transformer蒸馏上，跑的是H100。这个本钱放在学术论文里算合理，放在商业化布置里也不算贵。

  ◎第二，Transformer架构能够接住这个规划的数据并继续从中学到东西。

  论文原文写得很清楚，下一步方向是和视觉-言语-动作模型对接，参加视觉、触觉和言语多模态信息。

  现在的AstraBrain-WBC 0.5只了解关节视点。地上有个箱子，桌子有个杯子，它不知道。他人把运动序列喂给它，它照着做。没有人告知它去哪、拿什么、怎样拿。它是小脑，不是大脑。

  这种环境下的高动态动作和工厂里堆满托盘、走道狭隘的实践场景之间有巨大的验证距离。论文没提供在非结构化环境下的测试数据。

  银河通用现在主打的商业化方向是即时零售的机器人仓储，用的是轮式底盘加双臂操作。轮式底盘不需求翻跟斗也不需求跳舞。小脑GPT的才能关于轮式机器人的实践商业经济价值有多大，现在没有直接的量化数据。

  这个验证成果对职业的指导意义是方法论层面的：曩昔觉得机器人的动作数据不容易堆大，Scaling Law不必定管用，现在有人证明管用了。Transformer加足够大的数据，就能做出通用小脑。

  机器人小脑从一个每个技术都需求独自手搓的手工活，面向了一个堆数据和算力就能出作用的工程问题。手搓和堆料之间的差异，便是能不能规划化的差异。

  机器人奥运会战报：宇树机器人摘下首金，天工Ultra抢走首位“百米飞人”