苹果研究团队罕见地以论文形式公开了人形机器人进展。这项研究叫 HALO，论文于 11 月 4 日（UTC）提交，实验身体直接用了量产的宇树 G1，背上驮着一台运行千问模型的 Mac mini 分担计算。 它不是产品公告，近期不会有苹果品牌的机器人发售；但论文给出的结果相当直白：训练时从未见过这些家庭、现场也没有扫描建图，HALO 就在六个真实家庭里完成了 360 次单项任务，平均成功率 91%。知乎arXiv
背上的 Mac mini 到底在算什么
G1 本机算力带不动大模型，这身“改装”正是为此。研究团队采用宇树科技G1人形机器人，背部加装了专用3D打印保护外壳，内置一台 Mac mini（M4 Pro 芯片，64GB 统一内存）。 整套自主系统分三层：编排器用视觉语言模型把自然语言指令拆成“走过去”“转身”“坐下”这类子任务，大约每两秒更新一次，成功就推进、失败就重试；运动生成器以约 3Hz 重规划未来 5 秒的全身动作；跟踪器再以 50Hz 跟随执行。微博GitHub
上层生成的轨迹，作为下层控制回路的执行目标，而下层就跑在 G1 原厂自带的 Jetson Orin NX 上，结合第一人称深度与本体感知，把规划落到 29 个关节指令，保证不摔倒、不撞家具。 编排器默认用 Qwen3.6-35B-A3B（4-bit 量化、MLX）在背上的 Mac mini 里本地运行；论文称，默认方案可离线运行——不必把每一步发给云端等回答，可选地经 API 调用云端前沿模型增强规划，但并非依赖项。arXiv知乎
91% 考的是什么
测的六个项目是：走到指定物体附近、坐到椅子上、侧身穿过半开的门、在桌下俯身或爬行穿过、推箱子。 真机测试选了六个真实家庭，每项各十次、共 360 次，平均成功率 91%，判据是完成任务且不摔倒、不卡住。知乎微博
比成功率更值得看的是它怎么学会的。训练没有用一条人类遥控示教，主要训练数据约三百小时，覆盖一千个程序生成的室内环境。 成本同样透明：数据合成在 250 块 H100 GPU 上耗时约 48 小时，运动生成器训练使用 64 块 B200 GPU，运动跟踪器训练使用 4 块 H100 GPU。 论文里的消融实验指出了收益来源：把用于训练的仿真场景数量从 1 变化到 100 种，成功率从 43% 急剧上升到 81%。知乎微博知乎
所以 91% 的实质价值不是“机器人会了多少动作”，而是把在模拟里学的动作，直接带进一间没扫描过的陌生公寓执行——搬家、换家具，不必从头重调。边界同样要看清：走到物体附近不包含拿起它，推箱子也不等于搬运收纳，“家务九成会做”是过度解读。
哪里还会摔跟头
单项之外，论文另测了三组组合任务，平均成功率掉到 70%：单一真实场景里每种各测十次，最长的“穿过障碍→走向目标→推箱子”只成了一半。 作者给出的失败分析比数字更有信息量：这五次失败中，三次是钻出障碍后，头没有朝向箱子，目标没进入视野，机器人又被其他物体吸引。 这戳中了通往家用的另一道门槛：每个动作都会做，和把几个动作串成一件事，是两种能力。人找不到目标会自然转身搜索，系统却要把这种“恢复行为”专门补进能力里，论文也把这一点列为下一步改进方向。微博知乎
HALO 没有公布产品，也没有时间表，但它第一次在真实家庭里跑通了“数据瓶颈靠算力解决、部署不靠云端”这条路线。判断它是否真的在往家里走，值得盯的信号不是单项动作集锦，而是中途不断掉的完整任务链，和出错后能否自己找回目标。
