SuperMimic单卡3小时训练人形机器人全身控制器，SONIC耗时约2.1万GPU小时
加州大学伯克利分校团队在已被CoRL 2026接收的预印本中报告，其在可微世界模型中学习的人形机器人控制器仅用一张英伟达H100训练3小时，回报即超过已发表的SONIC动作跟踪器，而SONIC使用128张L40训练7天，约2.1万GPU小时。在129514个动作的基准上，其失败动作为25个，少于SONIC已发布模型的179个；用两张GPU训练9.8小时后降为零，并在真实宇树G1上完成翻滚和空翻。
在训练一个模仿海量人体动作库的单一控制器时，一个学习得到的可微人形动力学模型能否取代集群规模的无模型强化学习？
跟踪大规模动捕数据已成为通用人形全身控制的主流路线，但成本随数据规模上升。现有做法要么训练大量单动作专家再蒸馏成一个策略，损失质量；要么在GPU集群上用无模型强化学习硬训一个通用策略。
2026年发表于《Science Robotics》的SONIC同样基于BeyondMimic跟踪框架，用128张英伟达L40对611小时动作数据进行约168小时的PPO训练，是最接近的已发表对照和主要基线。
SuperMimic用标准刚体仿真器（MuJoCo）的记录数据拟合一个所有动作共享的机器人动力学世界模型，并在同一循环中训练跟踪策略。策略通过对世界模型短程想象轨迹做时间反向传播获得解析梯度，这些轨迹在GPU上快速且可微。训练数据为重定向到宇树G1的公开BONES-SEED动作集，共264.56小时，筛选后保留129514个片段。
单张H100训练3小时内即超过SONIC已发布模型的归一化回报，按作者口径挂钟时间约少56倍，GPU小时约少7200倍。在129514个动作的共同基准上，单卡3小时后失败25个，双卡9.8小时后为0，SONIC为179个。训练数据从1小时增至264小时，世界模型预测误差保持在0.007至0.011，达到目标回报所需GPU小时增长缓慢。同一个控制器无需逐动作调参，即在真实宇树G1上完成跳步、侧滚、90度空翻和原地360度空翻。
论文虽被CoRL 2026接收，但仍为预印本。对比跨越不同GPU型号和数据量：SONIC使用的动作数据多2.3倍，H100的张量核心峰值性能最高为L40的5.5倍；作者认为这些不足以解释上千倍的差距，但并非同条件复现。世界模型只用仿真数据训练，仅覆盖平地，不涉及地形和物体交互；真机部分为四个动作演示，未给出成功率。研究部分资金来自小松、苹果和RAI研究所。
如果全身控制可在单卡上数小时内重新训练，算力将不再是人形机器人企业扩展动作能力的门槛。这对使用宇树G1的研究机构以及没有大型集群的中国初创企业意义尤大，也让动作数据的规模定律研究变得便宜，竞争焦点可能转向谁拥有最好的动作数据。短期局限在于工厂和家庭作业需要地形与物体接触，作者已将其列为在研方向。
受许可协议限制，本站不转载该论文全文，仅提供摘要和原文链接。