智在无界发布首个隐式触觉世界动作模型Being-H0.8

现有世界模型大多以视觉为核心，能观察物体移动和形变，但难以准确判断接触是否发生、发生在哪里以及受力大小。同时，触觉传感器数据形态不统一，大规模人类视频和机器人数据集普遍缺少同步触觉记录。这导致训练具备触觉能力的世界模型既缺乏统一表征，也缺少可规模化获取的训练数据。Being-H0.8正是针对这一问题的解法。

Being-H0.8在Being-H0.7基础上首次将触觉模态纳入隐空间表示，扩展为隐式触觉世界-动作模型。核心模块包括：Mixture of Transformers (MoT) 预测交互后果；慢-快动作专家——慢速流维护整体任务计划，快速流根据最新触觉实时重算下一小段动作；通用触觉编码器将不同传感器信号统一为触觉token；TopoHand对齐人手、灵巧手和平行夹爪的动作空间。训练时，未来触觉token进入MoT后验分支帮助理解状态变化；部署时，MoT提前预测，快速流实时纠偏。

数据底座UniHand-3.0源自超50万小时第一人称视频，经过滤、去重、切分、语言标注和分布再平衡后，通过MANO恢复手部动作。关键创新在于TactoHand：利用手-物三维几何关系，从无触觉标注的视频中预测778个顶点上的接触和邻近度，使用21个数据源共3010万帧训练。此外，约55小时、540万帧压力手套数据补充真实压力信息。通用触觉编码器建立由粗到细的触觉金字塔，将不同粒度的触觉信号映射为固定数量token，并携带有效性标记区分“无传感器”与“读数为零”。

Being-H系列经历了三个阶段：从验证人类视频可用性（H0→H0.5），到规模化使用（H0.5→H0.7），再到H0.8追求高质量利用——通过清洗、动作恢复、触觉标注和表征统一，从海量视频中提取更准确的物理训练信号。团队认为核心壁垒不再是拥有多少视频，而是能否将数据收集、清洗、动作恢复、触觉标注、世界建模与机器人控制接成完整链路。