SONIC（人形动捕控制）

数据配方

约 700 h 动捕（100M+ 帧），统一 token 空间可接收 VR 遥操、人类视频或 VLA 输出（Zhengyi Luo、Yuke Zhu 等）[1]。二手汇编（aiwiki.ai）称重定向到 Unitree G1 并剔除不可行动作后为 611 h、317,189 条、50Hz。对比：Bones-SEED 公开子集约 288 h，AMASS 40+ h 且仅限非商用 BONES-SEED。

结果与证据

已有 Science Robotics 版本。摘要口径为：网络 1.2M→42M 参数、700 h 动捕（100M+ 帧）、21k GPU 小时，性能随算力与数据多样性稳步提升；摘要未给逐项成功率。

已知缺陷与口径

700 h（摘要）与 611 h（二手训练集）并存，使用时注明。GPU 小时数摘要为 21k（二手来源另有 9k 说法，未核）。SONIC 解决全身控制而非桌面灵巧操作，不能与视频类数据互换。

来源

1. arXiv 2511.07820 (2026-10-14)
2. https://github.com/NVlabs/GR00T-WholeBodyControl (2026-10-14)