苹果披露机器人大脑HALO 跑在千问模型上

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》，公开了一套名为 HALO 的人形机器人自主控制系统。它被装在一台宇树科技 G1 上，在六个从未见过、也没有提前扫描建图的真实家庭里执行 360 次任务，平均成功率 91%。

更值得注意的，是这台机器人的“大脑”装在哪里。HALO 的任务编排层默认在机器人背部的 Mac mini 上本地运行千问 Qwen3.6-35B-A3B 的 4-bit 量化版本，用 MLX 推理，与动作生成器共用同一个模型服务引擎，全程不需要联网；只有在需要更强的推理与规划时，才可以通过 API 改走云端模型。为此机器人后部加装了一台 Mac mini M4 Pro（64GB 内存），连同头部相机支架，整机重 37.56 公斤。

仿真里学会的动作，直接搬进陌生房间

训练数据来自程序生成的上千套住宅，附录统计为 1,178 个房间，合成 300 小时的 episode。团队没有依赖人工遥操作或穿戴动捕采集：缓存视觉语言特征用了 250 张 H100 约 9 小时，生成房间本身在最多 300 张 GPU 上跑 26 小时。论文的说法是，语料规模随算力扩展，而不是随人力扩展。

落到具体动作上，单任务在仿真与真实环境的成功率分别是：走向指定物体 98% 与 92%，坐下 84% 与 85%，侧身穿过半开的门 91% 与 93%，下蹲 95% 与 100%，俯身爬行穿过桌底 84% 与 90%，推箱子 93% 与 88%。串联多个动作的长任务掉得明显：穿门后走向指定物 71%（真实环境 100%）、下蹲接坐下 73%（真实 60%）、下蹲接走位再接推箱 64%（真实 50%），三项平均 69% 与 70%。

三层控制，两套计算

系统由三层协同：视觉语言模型编排器判断当前动作是否成功、失败就重试，并把下一步子任务交给动作生成器；生成器的编码器是冻结的 Qwen3.5-2B，读一张 224×224 的第一人称画面加一句自然语言指令，由 DiT 解码器输出 150 帧动作规划；底层动作跟踪器跑在机器人原厂的 Jetson Orin NX 上，配合一颗 55° 朝下的 RealSense D435i 输出关节指令。头部 OAK-1W 相机提供 120° 视野、1280×800、30fps 的画面，两套计算之间用 ZeroMQ 连接，整机无线缆。

论文同样写明了限制。新增物理任务仍要人工编写提示词、设计动作关键帧，部分动作借用了人类视频或动捕素材；机器人主要依赖视觉感知，一旦物体离开相机视野或被遮挡，涉及较多接触的任务表现就会下滑，加入触觉感知被列为后续方向。数据生成、模型训练与部署代码连同演示视频已在项目页面开源。