【深圳，2026年9月21日】亮源新创今日发布全身智能基础模型Light-O1，该模型通过学习互联网视频中的人类动作，并结合语言和视觉信息，将人类动作知识迁移到机器人，提升机器人协调全身、完成任务的能力。亮源新创Light-O1首次揭示了人类全身动作预训练的跨本体迁移扩展规律：用于预训练的人类动作数据越多，模型在适配不同机器人本体和视角后，动作预测越准确，为利用大规模人类数据提升机器人通用能力提供了依据。继规模化对齐（Scalable Alignment）和规模化部署（Scalable Deployment）成果之后，Light-O1推动亮源新创Physical AI三段范式中的规模化预训练（Scalable Pre-Training）进入模型实践。

机器人预训练从有限采集跃迁至海量人类行为

当前，机器人动作模型主要依赖遥操作、UMI等方式专门采集训练数据。这类采集成本高、耗时长，覆盖不同任务还需要定制采集流程、组织和培训人员，并应对设备成本与操作易用性的限制。随着任务和场景增多，人员管理与采集组织也更加复杂。这些约束使数据规模和行为多样性难以同步扩展，成为机器人基础模型规模化发展的关键瓶颈。

亮源新创Light-O1利用互联网视频中已有的海量人类行为，拓展机器人预训练的数据来源。这些视频记录了人类在不同环境中移动、操作物体、使用工具以及与他人交互的过程，在规模和多样性上补充专项采集数据的不足，使预训练的数据扩展不再完全依赖逐项组织的专门采集。

在此基础上，亮源新创Light-O1围绕人类动作知识向机器人的迁移，建立了涵盖数据构建、自回归预训练与机器人适配的完整技术路径。其核心是从丰富的人类行为中学习可复用的动作知识，再将这些知识迁移至身体结构、观察视角和控制方式不同的机器人。具体而言，首先将视频中的人类行为整理为统一的多模态动作数据，再通过大规模预训练形成“在什么情境下、如何行动”的动作先验，最后利用目标机器人数据完成适配，让人类的行为经验转化为机器人的行动能力。

首次验证人类全身动作预训练的跨本体迁移扩展规律（Transfer Scaling Law）

沿着这条技术路径，亮源新创进一步验证了人类全身动作预训练的跨本体迁移扩展规律。研究使用不同规模、基于视频构建的人类动作数据进行预训练，再分别适配至第一视角人类采集数据、公开的人形机器人数据，以及亮源自有机器人的全身移动操作数据，评估预训练规模对不同视角和本体下动作预测能力的影响。

亮源新创Light-O1将基于视频的人类动作预训练拓展至10万动作小时。结果显示，随着预训练数据规模扩大，模型在目标领域适配后的动作预测更加准确：动作预测损失呈幂律下降趋势，离线开环评估中的全身姿态误差也随之降低。这表明，人类动作预训练带来的收益能够跨越本体差异，迁移到机器人的动作预测中。这一迁移扩展规律，为进一步扩大人类动作数据规模、提升机器人的通用动作能力提供了依据。

从理解意图到全身行动，构建通用全身智能

基于规模化人类动作预训练与后续适配，亮源新创Light-O1将指令理解、环境感知和全身行动连接起来，从真实场景中的全身协同操作，以及面向用户意图的理解与行动两个层面，展现通用全身智能。

在真实环境中，协调全身持续完成任务。 搭载亮源新创Light-O1的自研小型人形机器人LightBot 能够自主完成递毛巾、打开鞋柜归置拖鞋、捡垃圾等任务，将行动决策、移动导航和全身操作连接为连续的执行过程。面对执行失败、外界干扰以及物品类型和位置的变化，机器人能够根据环境与执行反馈调整行动，在必要时自主重试，体现出抗干扰能力和对不同物品与空间位置的泛化能力。

面对自然语言指令，亮源新创Light-O1能够结合指令描述的情境，理解用户需求与隐含意图，推理完成目标所需的身体姿态、动作顺序与约束，再生成相应的全身动作。亮源新创此次同步在官网开源通用动作生成模型Light-O1-Preview，用户只需表达想要达到的目标，即可由模型进一步推导身体应该如何行动，并查看相应的推理过程，直接体验从“理解需求”到“生成行动”的完整过程。

开拓Physical AI规模化预训练，三段范式形成完整技术布局

围绕“规模化预训练（Scalable Pre-Training）—规模化对齐（Scalable Alignment）—规模化部署（Scalable Deployment）”的三段范式，亮源新创已相继推出对应核心技术成果，此次发布的Light-O1则进一步确立了规模化预训练方向的核心技术路径。至此，亮源新创在三段范式上的核心技术成果均已落位，形成从基础模型预训练、能力对齐到真实世界部署的完整技术链路。

更重要的是，这套技术体系的价值并不在于将研发流程划分为三个阶段，而在于建立一条可持续扩展的Physical AI能力增长路径：基础能力可以通过规模化预训练不断积累，进入物理世界的能力可以通过规模化对齐持续增强，真实部署又进一步把模型带入更多任务、环境和机器人本体。三者相互衔接，使Physical AI不再依赖单点能力突破，而是具备从数据、训练到真实世界应用持续迭代的系统性技术路径。