苹果披露人形机器人 HALO：千问模型参与控制，宇树 G1 单项任务成功率达 91%

据 IT之家 11 月 7 日报道，苹果研究团队于当地时间 11 月 4 日在 arXiv 提交论文《Perceptive Humanoid Motion from Simulation》，披露人形机器人自主控制系统 HALO。该系统调用千问模型，并在宇树科技 G1 上进行真实环境验证：360 次单项任务测试的平均成功率为 91%。团队还公开了覆盖数据生成、模型训练、任务编排及仿真与实机运行的代码，为观察大模型如何连接机器人动作控制提供了研究样本。

从理解任务到执行动作，三层模块分工

HALO 并非让一个大模型直接接管机器人的全部动作，而是采用分层架构，把任务理解、动作生成与高频控制拆开处理。

• 任务编排层：基于视觉语言模型，默认采用千问 Qwen3.6-35B-A3B，也支持通过 API 调用云端模型。
• 动作生成层：采用另一款千问模型 Qwen3.5-2B，承担中间层的动作生成工作。
• 动作跟踪层：使用经过强化学习、策略蒸馏等步骤训练的策略网络，以每秒 50 次的频率运行。

硬件部署也遵循这一分工。研究团队在 G1 背部加装专用 3D 打印保护外壳，内部放置配备 M4 Pro 芯片、64GB 统一内存的 Mac mini，负责在机载端实时运行计算开销较大的任务编排模块与动作生成模块；G1 自带的板载芯片则专注于高频动作跟踪。高层决策与底层控制分别运行，是这套方案值得关注的工程特点。

91% 的成绩，需要结合任务范围理解

据论文披露，单项任务测试覆盖 6 个未预先扫描或建图的真实环境，共进行 360 次，平均成功率为 91%。这说明系统在所测任务中具备一定的陌生环境适应能力，但不能据此推断机器人已经能够稳定处理任意现实任务。

更能体现难度的是长序列复合任务：研究团队在一个真实场景中，对 3 种任务组合分别测试 10 次，平均成功率为 70%。其中，最复杂的“俯身通过障碍—走向目标—推箱子”仅成功 5 次。单项动作与连续任务之间仍有明显差距，多个环节串联后，系统可靠性依然面临挑战。

产业解读：仿真训练降低实机依赖，但并未消除人工和算力成本

HALO 的另一看点是从仿真生成数据到真实机器人部署的流程。据报道，团队使用 250 张英伟达 H100 GPU，耗时约 48 小时合成主要训练数据；动作生成器通过模仿学习训练，使用 64 张 B200；动作跟踪器的训练则使用 4 张 H100。这些配置也表明，机载端能够运行，并不意味着训练成本轻量。

同时，新增物理任务仍需人工编写提示词、设计动作关键帧，部分动作还使用人类视频或动捕素材。因此，这项研究更适合被理解为一套可复现、可继续扩展的机器人控制方案，而非完全自动生成所有技能的系统。

感知也是当前边界。团队指出，机器人主要依赖视觉，难以直接感知接触状态；当物体被遮挡或离开相机视野时，接触密集型任务表现会下降。对具身智能而言，HALO 展示了语言模型、动作模型与强化学习控制协作的路径，也提醒行业：走向更可靠的现实操作，仍需补齐触觉感知与连续任务执行能力。