11 月 4 日消息，具身智能初创企业 LiberAI 正式推出世界动作模型Liber‑0。该模型依托超 220 万小时人类经验数据完成预训练，可把人类操作经验迁移到机器人本体；真机测试结果显示，其零样本综合任务成功率显著高于 GPT‑6 Astra，同时能够大幅降低对机器人真机示范数据的依赖。

LiberAI 创始人刘松铭为清华大学计算机系 00 后博士，师从朱军教授，曾获清华特等奖学金，研究方向聚焦人工智能、具身智能与世界模型。Liber‑0 融合大规模人类视频与自研 LiberSense Glove 数据手套采集的人手动作信息，目标解决传统机器人高度依赖真机示范、跨任务、跨本体泛化能力弱的行业痛点。

在真机验证环节，LiberAI 设计了难度逐级提升的 60 项测试任务，全部由 GPT‑6 随机生成，分为抓取放置 (PnP)、短程非抓取放置、复杂多步骤任务各 20 项，每项任务重复 10 轮，合计 600 次真机零样本测试，全程没有针对任务做专门机器人示范数据采集。

实测数据显示，Liber‑0 整体任务成功率达到36.0%；其中抓取放置任务成功率 63.5%，短程非抓取放置任务 34.0%，复杂多步骤任务 10.5%，可完成制奶茶、物品整理、抽屉操作等现实场景任务。

作为对照组，GPT‑6 Astra 控制同一机器人完成相同 60 项任务，每项测试 3 次，整体成功率仅 5%，三类任务成功率分别为 8.3%、5.0%、1.7%。同时 Astra 单次决策平均推理耗时 87.3 秒，成功任务平均完成时长高达 17.8 分钟。对比结果表明，通用大模型直接操控实体机器人，在动作精度、连续执行能力、推理时延方面仍存在明显短板。

传统机器人操作高度依赖专门采集的真机示范数据，采集成本高昂，很难快速扩充规模。互联网海量人类视频虽素材丰富，但人类肢体和机器人本体结构差异巨大，普通视频也难以捕捉精细手部动作，技能迁移落地困难。

针对上述难题，Liber‑0 采用混合 Transformer 架构，打通语言、视觉、动作三大模块，能够同时预测未来画面与执行动作；通过统一本体表征编码人类与机器人的运动学特征，实现跨本体技能迁移，并叠加图像分割、视频理解等多任务联合训练，强化模型对空间关系、任务进度的理解。

训练数据集规模超过 220 万小时，来源覆盖五大类：LiberSense Glove 采集的人手数据、跨本体机器人数据、公开第一视角视频、外部采集第一视角视频以及互联网公开人类视频。预训练分三阶段推进：先通过海量视频做画面预测学习；再融合视频、手套、机器人数据对齐视觉变化和实际动作；最后提升手套与遥操作数据权重，打磨精细操作能力。

为配套数据采集与实体验证，团队自研轻量化采集手套 LiberSense Glove 与人形机器人 LEO。LiberSense Glove 厚度仅 0.3 毫米，重 131 克，无需绑定机器人就可以同步记录人手运动与第一视角画面，降低大规模操作数据采集门槛；LEO 机器人搭载灵巧手、活动腰部以及三自由度手腕，可以复刻人类弯腰、手腕旋转等复杂姿态动作。

多组对照实验进一步证实人类手套数据的价值。同等后训练条件下，1 万小时手套预训练数据的效果，优于 200 万小时纯互联网人类视频。在真机数据缩减 75%，仅保留 25% 机器人示范数据的前提下，混入手套人类数据后，模型任务得分达到 75.6，优于使用全部真机数据训练的基线 72.8 分。

手套数据还能赋予机器人基线真机数据里不存在的操作技能：当机器人示范素材只包含抓取放置类任务，加入手套采集的非抓取动作数据后，模型非抓取任务得分从 2.2 飙升至 47.5。实验还发现，训练素材中示范者的人数越多，跨本体迁移性能越好，从 1 人扩充至 100 人，混合训练模式下任务得分由 60.6 提升至 69.5。

不过团队也指出当前技术仍有局限：如何精准捕捉人类操作中的接触、力度等物理信息仍是待攻克的难题。未来随着采集设备精度、数据规模与场景多样性持续提升，人类操作经验有望成为通用机器人掌握复杂技能的重要推力。