苹果人形机器人背一台 Mac mini 当大脑：360 次测试平均成功率 91%

11 月 4 日，苹果研究团队在预印本平台 arXiv 提交了一篇论文，标题是《Perceptive Humanoid Motion from Simulation》，披露了一套叫人形机器人自己动起来的控制系统，名字叫 HALO。

论文里最硬的一组数字是：在 6 个没有预先扫描、也没有建图的真实环境里，做了 360 次单项任务测试，平均成功率 91%。

机器人身上背了一台 Mac mini

落地测试用的不是苹果自己造的机器人，是宇树科技 G1。团队在它背部加装了一个专用 3D 打印保护外壳，外壳里装了一台 Mac mini，M4 Pro 芯片、64GB 统一内存。

分工是这样的：Mac mini 负责在机载端实时推理计算开销大的部分，也就是任务编排的视觉语言模型和动作生成的扩散模型；G1 自带的板载芯片，则专门跑高频的动作跟踪网络。

用一台迷你主机当机器人的大脑，好处是算力够、散热好、开发时改代码方便。代价也直接——机器人得背着它走。

三层各管一段

HALO 的控制结构分三层。最上层是基于视觉语言模型的任务编排模块，默认用的是千问 Qwen3.6-35B-A3B，系统也可以改成通过 API 调用云端模型。

中间一层是动作生成，用的是另一个千问模型 Qwen3.5-2B。底层是经强化学习与策略蒸馏训练出来的动作跟踪器，以每秒 50 次的频率运行。

上层想清楚要干什么，中层把意图翻译成一段动作轨迹，底层以 20 毫秒一次的节奏把它落到关节上。三层里有两层跑的是阿里的开源模型，这一点在论文里写得很直白。

单项 91%，长序列掉到 70%

单项任务的成功率高，串起来就往下掉。团队在单一真实场景里各做 10 次长序列复合任务测试，3 种组合的平均成功率是 70%。

最难的一组是「俯身通过障碍 — 走向目标 — 推箱子」，10 次成功 5 次，50%。三个动作单拎出来都不算难，连在一起就有一半失败。

这个落差是这类系统的通病。每一步都有误差，误差会累积，到了第三步，起点已经偏了。

训练用了多少张卡

主要训练数据是合成出来的：250 张英伟达 H100，跑了大约 48 小时。动作生成器用模仿学习训练，用了 64 张 B200。动作跟踪器经强化学习与策略蒸馏，只用 4 张 H100。

张数差得这么多，是因为三层的训练方式完全不同：生成视频与动作轨迹的模型吃算力，跟踪一个已经定好的动作则是小模型的事。

仿真数据也不是白来的

团队自己写了这一条：新增物理任务仍然需要人工编写提示词、设计动作关键帧，部分动作还用了人类视频或者动捕素材。

也就是说，这套系统还没有做到「给个环境就自己学会」。每多一类新任务，前面仍要有人教它大概长什么样。

现在还做不到什么

论文里点得最明确的一条是触觉。机器人目前主要靠视觉感知，难以直接感知接触情况；物体离开相机视野或者被遮挡，涉及较多接触的任务表现就会下降。

这一条解释了长序列任务为什么掉得厉害——推箱子、钻桌底这类动作，物体的位置会一段时间离开视野，机器人在那几秒里只能靠猜。

团队把加入触觉感知列为后续改进方向之一。这也意味着现在这套 91%，是在没有触觉的前提下拿到的。

代码也一并放出来了

研究团队公开了数据生成、模型训练与部署的代码，涵盖动作生成、动作跟踪、任务编排，以及仿真环境和真机运行几个环节。

苹果很少把机器人研究的工程细节公开到这个程度。这次连训练管线和部署代码一起给，等于把复现的门槛降到了「有 G1、有 Mac mini、有显卡」这一档。

论文是预印本，还没有经过同行评审。里面所有数字都来自团队自己的测试，第三方还没有复现过。