Light Origins于2026年9月21日发布技术博客，介绍通用具身基础模型Light-O1：先从互联网人类视频中恢复结构化动作并做大规模预训练，再适配到不同人形本体，演示覆盖自研LightBot与宇树G1。官方称在3.75B至120B多模态token的六档预算上观察到跨本体迁移的幂律规律，最大实验对应约10万小时人类动作；并开源Apache-2.0的Light-O1-Preview（Hugging Face标注约60亿参数）。公开预览侧重文本到全身动作生成，真机部署仍需额外行为模型或底层控制器。 机器人数据贵、人类视频多——能不能先把“人怎么动”压成可迁移先验？Light Origins 9月21日在官方博客发布Light-O1，自称首个通用具身基础模型：从人类视频中抽取结构化动作做预训练，再适配到不同人形本体，演示包括自研LightBot与宇树G1的跪姿、平衡、擦黑板与取物等全身技能。这是技术发布稿，不是第三方独立基准赛的统一排名。 可核对的实验边界写在同一页。公司称以多模态token预算衡量预训练规模，从约37.5亿到1200亿token设六档独立模型，最大档对应约10万小时人类动作；并报告在公开第一人称人类数据、宇树G1遥操作数据与自研LightBot数据上的适配后，下一动作预测损失与全身姿态误差随预算增大呈幂律下降。本站只转述其公开曲线口径，不把“互联网规模视频”外推成已披露的总训练小时数。 开源与真机能力要分开读。公司同步发布Apache-2.0许可的Light-O1-Preview，Hugging Face标注约60亿参数；公开权重以文本指令生成全身动作序列，RuntimeWire等报道指出，落到真机仍需额外行为基础模型或底层控制器，其附带的G1示例在MuJoCo仿真中运行。另披露在24项RoboCasa GR-1厨房仿真任务上宏平均成功率约79.3%——由公司自训基线对比，不是单一第三方主办排行榜。 对本站读者，文内挂库内机型「宇树科技 Unitree / G1」（官方演示本体之一），封面使用已有机型图。后续更值得盯的，是Preview之外的完整适配链路能否开放、非宇树本体的二次适配案例，以及真实家庭连续任务的接管率，而不是把开源运动生成器直接写成“已能量产交付的机器人大脑”。
