启元机器人新进展：北大董豪团队推出 HIL-UMI，让后训练摆脱「真机依赖」

导语：继无本体之后，具身后训练范式有了新进展。

继无本体之后，具身后训练范式有了新进展。

作者丨齐铖湧

编辑丨岑峰

最近，具身行业讨论“无本体进行后训练的可能性”的热度很高。国内外目前还没有团队做出可行方案。

说白了，无论是大模型还是具身机器人，想真正好用，光靠预训练打基础可不行，最终落地全靠“后训练”来调教。启元机器人首席科学家董豪告诉AI科技评论：“预训练提升的是下限，上限还得看后训练。”

当前具身公司追求进厂打工、家庭保洁等真实落地，比的就是成功率，也就是在比拼后训练的实力。

可后训练，难就难在它得跟真实物理世界打交道，过去都得用纯真机数据。

但真机训练成本太高，要大规模铺开，那么多的机器人本体，硬件磨损、场地、人工都是天价。所以，行业内预训练已经开始转向用“无本体”设备采集数据，虽然量上去了，但传统后训练最关键的“纠错”环节却没法搞定。

为了解决这个行业难题，北大和启元机器人董豪团队推出了HIL-UMI。

这个工作，围绕着具身后训练阶段无本体的前提下，围绕着最关键的“纠错”环节展开。

论文地址：https://arxiv.org/pdf/2609.20659

项目主页：https://hil-umi.github.io

具身后训练的成本，

为何远超大模型RLHF？

跟大模型比起来，具身行业的后训练太贵，是很多具身模型无法尝试Scaling的重要原因。

大语言模型能变得这么好用，大家心里都清楚：不光是预训练数据量大，更关键的是后面有RLHF（人类反馈强化学习，可以简单理解为数据标注）和DPO这些“后训练”的功劳。

但具身机器人的后训练，成本可比大模型的RLHF高出不止百倍。大模型做RLHF，无非是请更多人坐在电脑前点点选选；可具身机器人，那就得真刀真枪地跟物理世界打交道。

拿传统上最常用的DAgger，也就是用人类或者算法作为专家评价后训练的模式，这套流程虽然有效，但又贵又慢。

比较常见的，是以传统的真机人在回路（也就是 HG-DAgger：Human-Gated DAgger），机械臂在运作，人类操作员坐在旁边高度紧张地盯着，等它快抓空、快撞车的时候紧急接管，把正确的轨迹录下来，这就是人类来把关整个训练回路。

最麻烦的是，每次校正完，还得人工把被碰乱的现场恢复原样。等机器人执行，人工干预，环境复位，一坐一下午，能用的数据不多。

这其中绝大部分时间，都耗在机器人的笨拙动作和人工环境复位上。

这种又慢又烧钱的模式，让后训练数据规模采集成了个老大难，严重限制了规模化。

这就引出了一个核心问题：我们能不能摆脱真机，就像平时做家务一样，顺手就把模型最需要的“纠错”数据给采集了？

HIL-UMI 的底层逻辑：

给UMI 采集加了一个“模型大脑”

HIL-UMI 的做法非常聪明，概括起来就是一句话：“不用机器人，也能给机器人补课。”

HIL-UMI ，指的是Human-In-the-Loop（人在环路）UMI，和过去大家常用 UMI（手持夹爪）采集数据不同，HIL-UMI 的采集，不是“盲目”的，而是加入了一个模型。

HIL-UMI 把模型直接接进了这个手持采集过程：

真实世界里只有人在动：操作员手里拿着 UMI 夹爪正常干活（比如抓玩具、叠毛巾），摄像头同步拍摄画面。

模型在后台“脑补”：模型接收着相同的画面和任务指令，在后台快速预测“如果换我来，接下来的 20 步动作该怎么做”，但它并不真正控制任何机械臂。

发现分歧立刻触发提示：系统在后台实时比对人类实际动作与模型预测动作。如果两者差不多，说明模型已经掌握，不需要重复录；一旦发现模型“脑补”的轨迹跟人类的真实操作严重跑偏（说明模型在这个场景下是个“生手”），系统就会立刻提示操作者：“这一段模型不会，从这里开始多教一段！”

手持夹爪与采集设备

整个过程，不需要机械臂在场，更不需要机器人真去犯一次错。人类在示范的同时，就把模型在真实部署中极可能翻车的场景给定点捕获了。

不是数采集工具，

是后训练里的数据飞轮

如果只把 HIL-UMI 理解为一个手持记录仪，那就低估它了。它真正厉害的地方，是建立了一套让模型自己吐出“错题本”的自闭环系统。

这个闭环有两大技术支柱：

第一步：动作分歧检测（抓出盲区）。 机器人操作面对同一种情况，往往有多种合理姿态。HIL-UMI 不看单次预测，而是并行采样多组动作块去算“能量分布”（Energy Score）。模型如果胸有成竹，动作分布会很收敛；一旦模型给出的动作又分散又和人类偏离很大，系统就判定模型进入了“分布外状态（OOD）”，果断启动补录。

第二步：优势估计器（区分有效动作与无意义晃动）。 光学会动还不够，还得知道动作对任务推进有没有用。在叠方块任务里，夹着方块在空中犹豫晃动，和精准对准底座放下去，完全是两码事。HIL-UMI 引入了一个根据前后画面评估“任务推进程度”的估计器，并采用“优势条件”训练——告诉模型不仅要学这段纠正，还要专挑那些能够实质性推进任务进度的动作来学。

真正的闭环在于“动态更新”：每一轮定向补充完数据后，模型完成迭代。到了下一轮采集，模型变聪明了，曾经卡住它的地方不再触发警报；相反，它与人类的分歧点会推移到更深、更难的边缘场景上。

模型不断暴露新盲区，人针对性示范，模型再进化，整套流水线像滚雪球一样自我迭代，彻底告别了“盲目海量刷正向数据”的低效。

无本体后训练的路线对比

为了更客观地理解 HIL-UMI，我们需要把它放在当前行业的几条主要路线上对比：

真机遥操作与真机 DAgger：数据最保真，但单机成本高、折旧大、操作门槛高，想铺到上万台规模几乎不可能。

仿真（Sim2Real）与强化学习：算力便宜、能大量生成数据，但在柔性物体（如衣物）、摩擦力和复杂光照下，仿真差距（Sim-to-Real Gap）至今仍是巨大鸿沟，而且不能当作真机后训练。

海量视频预训练：规模无限大，但缺少物理力学信息与精准动作维度，多用于给模型建立“常识感知”，无法直接转化为毫米级的精准控制，常用于预训练。

传统 UMI（无本体正向采集）：便宜、人人能采，但只能采正例，无法解决模型在长尾错误中的恢复问题，也只能当做预训练。

HIL-UMI 正好卡在一个极佳的甜蜜点上：它借用了 UMI 的低成本与易规模化，又借用了 DAgger 的针对性纠错能力，同时把两者的缺点全都甩掉了。

效率提升 5.63 倍，

后训练终于不必围着机械臂转

工程上的账算不算得过来，看两组对比就明白了：

定向补课 vs 盲目多学：在真实机械臂上的四项任务（折毛巾、整理桌面、叠方块、盖章）测试中，给相同的数据帧数预算，持续增加普通示范的常规 SFT 微调，最终任务平均进度分（TPS）只从 44.3 龟速爬到 58.0；而用了 HIL-UMI 定向纠错机制后，平均分直接冲到了 94.8。在最考验精度的叠方块和盖章任务上，成功率达到了100分。

采集效率直接翻了 5.63 倍：