该模型仅依靠人类行动数据，即可让机器人学习移动、姿态与双手操作的全身协调，使机器人彻底摆脱 " 局部动作学习 " 的局限。在 SIMPLE 仿真基准及多项真机评测中，λ 0 均取得 SOTA 表现，数据采集效率约为主流方法的 3.4 倍，真机任务成功率较最强对比基线提升 22.5%。
伴随具身智能逐步走向家庭、商超、仓库等开放环境，机器人面临的不再是固定站姿下的单一操作，而是需要持续协调全身动作才能完成的复杂长程任务。
然而，现有的技术路径难以支撑机器人全身协同采集和学习需求。一方面，传统的真机遥操采集高度依赖硬件设备与人工复位，扩展成本高昂；另一方面，过往的第一视角 VLA（视觉 - 语言 - 动作）基座模型普遍缺失全身协调的动作信息，数据往往只聚焦于手部、臂部等局部交互，缺乏关节、躯干、位姿等全身动态信息。当场景越开放、任务越复杂时，这种 " 碎片化 " 的动作学习便成为制约机器人通用能力与动作成功率的瓶颈。
λ 0 首创了 " 无本体全身数据采集 + 软硬件协同人机对齐 " 的技术路径，以应对开放场景对采集效率、全身协调和跨本体迁移的挑战。
成本和效率方面，无本体全身数据采集使 λ 0 摆脱了对昂贵机器人本体采集的强依赖，采集者仅需佩戴消费级设备，即可在日常环境中随走随采。与机器人本体采集相比，该方式将代表性任务的单条示范采集用时由约 100 秒缩短至 29 秒，采集效率约为原来的 3.4 倍。
在全身动作学习与对齐方面，λ 0 依托软硬件协同的数据采集模式，完整记录并对齐了视觉、身体位移与手部操作等全身动作信息，再结合手部交互、全身协调、人形本体三阶段训练，逐步将人类经验转化为机器人的全身控制指令。基于这一可规模化的管线，高德构建了包含 500 小时开放世界无本体全身数据的 HumanVerse-500 数据集。
面对人机形态差异与末端控制器执行偏差带来的迁移难题，λ 0 在采集、处理与动作端设计了视角匹配和 " 由粗到细 " 的动作对齐机制，在保留全身协调的同时优化物理接触精度。
在跨形态迁移与数据扩展性（Scaling）方面，λ 0 面对 7 项全身协调与长程移动操作任务，仅凭人类行动数据即可在真机上实现零样本迁移。同时，在同等机器人示范量的条件下，随着人类全身数据规模的扩大，真实机器人的任务表现能获得显著提升。这意味着，规模化积累人类全身数据，是提升人形机器人真实任务表现的一条有效路径。
据悉，该模型研究由高德和阿里 ATH 事业群共同完成。从无需机器人到场的数据采集，到人机观测与动作对齐，再到真实机器人上的能力验证，λ 0 打通了人类全身经验走向人形机器人的完整链路。这为机器人在巡检、物流等更多开放场景中学习和执行全身协调任务提供了基础。
目前，λ 0 已在 GitHub 开源了相关硬件配置代码，并在 HuggingFace 上线了 HumanVerse 数据样例，方便开发者直接体验与研究。
附
项目主页：https://lambdahumanoid.github.io/
技术报告：https://arxiv.org/abs/2610.18950
GitHub：https://github.com/LambdaHumanoid/openlambda
HumanVerse 数据样例：https://huggingface.co/datasets/lambda-humanoid/HumanVerse-500-sample
