“零”添加模型：零人工采集、零样本部署、零远程接管。
从人类视频到主动服务，彻底告别手把手教。
本轮训练，全程未使用遥操轨迹作为训练数据，所有任务由模型自主完成，状况外，才是真考验！视频中可见，在非预期的人机交互与多机交互场景下，模型具备在线应变与重规划能力。本次宴会厅服务大获全胜，核心归因于模型的自主学习、自主探索和自进化能力。
告别千万小时数据缺口的时代，模型无需针对单任务定制训练，而是从 300 段人类视频里提取出意图和工具使用常识，所以进入新环境后，模型能自主分析工具属性和用途，并自主探索形成新工具使用策略，因而，可基于人类行为线索，调用意图理解能力实现主动服务，这就是我们说的“眼力见”。
无预设脚本，面对动态、不确定的交互环境，以及临时提出的人类要求，模型全程实时运行，一遍过、一镜到底，无剪辑、无重拍、无遥操接管。
让模型“会看、会想、会试、会主动、会协作、会进化”，真正“做个人吧”！
模型凭什么一镜到底？
答意图、可供性、自进化
模型构建了一套以能量驱动、吸引子稳定目标、主动获取信息、通过交互修正行为，并根据任务难度自适应分配思考资源的认知系统，不只是理解环境、预测未来并输出动作。
Attractor 如何帮助意图理解？
定义目标能量为：
其中 是当前潜在状态， 是目标状态。能量越低，表示当前状态越符合目标要求。
Attractor 可以帮助系统维持目标、抑制无关状态，并使相关记忆或技能更容易被激活。与此同时，能量可以评价候选状态与动作的合理性，使模型多步迭代推理，从而实现主动意图：生成意图假设评估不确定性获取有价值的信息更新意图决定行动。
可供性——连接世界理解与动作决策的中间表示
这是一种任务条件化的可供性推断，与能量驱动结合：
其中：
- 动作结果与任务目标的偏差
- 违反物理约束的程度
- 碰撞、掉落或损坏等风险
- 动作结果的不确定性
可供性在我们的模型中，不再只是一个识别标签，而是能参与意图推断、规划、技能选择和动作修正的决策依据。
自适应推理——简单任务短思考，复杂任务多思考
根据内部状态变化、目标偏差、预测误差与不确定性，模型决定继续推理还是停止。其中，Attractor 决定趋向：维持目标、激活相关记忆与技能实现主动感知。
模型为什么产生了潜意识般的涌现行为？
答能量驱动的眼力见
- 为什么有潜意识能量驱动
- 通过能量评价、吸引子动力学与内部状态调节，模型形成隐式判断、自动行为倾向与稳定的目标导向，而不必每一步都依赖显式推理。
- 为什么涌现信息增益
- 模型能主动获取信息、探索环境并从交互后果中学习，使复杂行为从基础能力与持续经验中形成。
- 为什么有眼力见角回、社会认知与主动意图理解
- 整合情境理解和心智理论，模型能推测他人的目标、信念与情绪，理解未被明确表达的需求，并判断何时应该主动行动、询问或等待。
模型为什么能自学？
答自进化与多模态数据引擎
为什么能脑补？
哈！终于有人发现，机器人可以不加腕部摄像头。在信息缺失或遮挡时，模型可基于世界模型、记忆、吸引子和能量评估的受约束推断能力进行“脑补”，其由补全感知、补全情境和补全意图三部分组成。由 Attractor 提供稳定的状态组织机制，能量提供假设的评价机制，结合信息增益，构成可验证的能量驱动补全闭环系统，形成闭环：信息缺失生成假设能量评估判断不确定性继续推理或主动观察更新假设。定义：
其中 是动作的期望信息增益， 是时间或能耗成本， 是风险。
为什么无需真机数据？
多模态数据引擎：把肌电信号、关节力矩、接触力等结构化信号提前引入预训练，统一为一个多层次的生物力学数据引擎，让模型从人类视频中学习动作背后的动力学与控制意图，将动力学信号参与世界模型、能量评估和动作规划，形成可迁移的隐式控制模型，从而抛弃真机遥操轨迹的模仿学习。
肌电分支定义为潜在运动意图与用力先验，分别由控制闭环回答怎么施力，由认知闭环回答是否还需要观察或试探，将主动试探设计为有代价的决策，从而实现信息增益和能量机制的统一。
将肌电监督误差、运动学误差、物理一致性约束等定义为联合损失函数，使得数据引擎不是复现人类动作，而是从人类行为中学习用力规律、反馈控制和主动探索策略。
定义联合损失函数：
自进化
自进化的三个层次：在线状态修正、经验与技能改进、模型与策略改进；Attractor 不仅用于目标维持，还成为技能记忆与经验组织的实现方式；奖励与能量同时参与自进化：
其中 和 是成功和失败/不良动作， 是区分间隔。
由此形成闭环：执行预测结果观察真实结果判断偏差与成败更新经验和模型在新任务中验证。
苏公网安备32050602014640号