苹果人形机器人 HALO 拆解：用宇树 G1 加一台 Mac mini，陌生环境任务成功率 91%

苹果很少谈机器人，但一出手就把工程细节摊开了。11 月 4 日，苹果研究团队在预印本平台 arXiv 提交论文《Perceptive Humanoid Motion from Simulation》，公开了人形机器人自主控制系统 HALO，连数据生成、模型训练、部署代码一起放了出来。

一分钟速览

• HALO 采用三层控制：VLM 任务编排 + DiT 动作生成 + RL 动作跟踪
• 硬件是宇树 G1，背部 3D 打印外壳里塞了一台 M4 Pro、64GB 内存的 Mac mini
• 6 个未预先扫描建图的真实环境，360 次单项任务，平均成功率 91%
• 长序列复合任务三种组合平均 70%，最难的“俯身过障碍—走向目标—推箱子”只有 50%
• 训练用 250 张 H100 跑约 48 小时合成数据，动作生成用 64 张 B200

一台 Mac mini 干了什么

最有意思的不是算法，是硬件选型。研究团队没有自研机器人本体，而是买了宇树科技的 G1，在背部加装专用 3D 打印保护外壳，里面放一台 Mac mini（M4 Pro 芯片、64GB 统一内存）。这台 Mac mini 负责机载端实时推理开销较大的两个模块：Orchestrator（视觉语言模型）和 Motion Generator（扩散 Transformer）。G1 自带的板载芯片则专注高频运行的 Tracker，也就是强化学习策略网络。

分工很清楚：慢的、需要理解语义的放在 Mac mini 上；快的、需要每秒 50 次输出的放在机器人本体上。这实际上给出了一个很现实的人形机器人落地范本——不必等专用边缘芯片，用现成的高性能小主机就能把 VLM 跑起来。

三层控制怎么协同

最上层是任务编排，基于视觉语言模型，默认用千问 Qwen3.6-35B-A3B，也可以配成通过 API 调用云端模型。中间层是动作生成，用另一个更小的千问模型 Qwen3.5-2B，把“去把箱子推到那边”翻译成可执行的动作序列。最底层是动作跟踪器，经过强化学习、策略蒸馏等步骤训练，以每秒 50 次的频率把动作落到关节上。

91% 是怎么测出来的

研究团队在 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%。这个数字的含义是：机器人进到一个完全陌生的房间，靠视觉现场理解，而不是靠事先录好的地图。

长序列复合任务就没那么好看了。在单一真实场景里，每种组合各测 10 次，三种组合平均成功率 70%；其中最复杂的“俯身通过障碍—走向目标—推箱子”，10 次里成功 5 次，只有 50%。任务一长，误差就会累积，这是当前所有具身智能方案的通病。

没解决的两件事

第一，仿真数据并没有完全摆脱人工。团队承认，新增物理任务仍需人工编写提示词、设计动作关键帧，部分动作还用了人类视频或动捕素材。所谓“合成数据自动化”，目前只自动化了一半。

第二，机器人主要依赖视觉。它很难直接感知接触情况，当物体离开相机视野或者被遮挡时，涉及接触的任务表现明显下降。团队把加入触觉感知列为后续改进方向。

值得注意的是，苹果这次把代码和数据生成流程都开源了。对一个向来封闭的公司来说，这更像是在为具身智能招揽外部研究者，而不是发布一款消费产品。

参考来源：arXiv 论文 2611.06908、苹果项目主页、IT之家报道。