近日论文 Ropedia W0 被 Hugging Face Daily Papers 收录。作者将其定位为首个覆盖人类与多种机器人本体的第一人称移动操作世界基础模型，用来预见移动与操作的后果。难点是异构动作空间与有限多模态监督。应对是统一标注的人机第一人称数据、相机位姿与投影骨架，以及长时程遥操作基准。数据量约一万小时人类加三千小时机器人。评测覆盖五个跨本体基准和留出人类视频；蒸馏后可实时做分钟级生成，并支持现场 VR 交互。
如何把人与机器人接到同一表示
统一运动学表示把移动编码为相机位姿，把操作编码为投影骨架。机器人骨架结合各本体正运动学，并辅以大量人工关键点标注与校正。含义是不对齐关节命令，而对齐可共享几何。这降低跨本体接口成本，也把上限绑在骨架投影能否表达接触与灵巧操作。摘要未说明物体状态与接触力是否进入同一表示。Xp-Data 强调统一多模态标注和系统性质控，监督质量与规模被放在一起处理。
基准、缩放与应用
作者提出 Xp-Teleop，基于高质量灵巧人形遥操作，面向长时程移动与操作。五个跨本体基准为 DreamDojo、Ψ_0、ω-HOME、Xp-Teleop 与 AgiBot，另评留出人类第一人称视频。覆盖零样本、少样本与全量后训练，作者报告均为当时最优。可核对的结论是：扩大人类预训练会同时改善人、机评测。下游有策略评估、基于模型的规划与 world-action 建模，指向具身决策。蒸馏后的实时、分钟级 rollout 是明确写出的部署向能力。
我的判断
价值在于把人类第一人称经验做成可迁移预训练，并用相机与骨架对齐人机几何。这对物理世界模型是一条清楚假设。边界同样清楚：现有材料只是摘要，没有架构、损失和失败案例；最优来自作者自报的五个基准，对比条件无法核实。分钟级生成与 VR 有工程信号，但长时程一致性、接触物理和真实闭环均未量化。适合作为数据与表示路线的参考，不宜只凭摘要做上线选型。人类数据缩放同时抬升机器人评测，值得跟进，幅度仍待全文验证。