SuperMimic 获 CoRL 2026 最佳会议论文奖:单个可微世界模型,自报单卡 3 小时超越 128 卡 7 天基线
2026 年 11 月 12 日 22:44(UTC),Berkeley AI Research 官方 X 账号发帖宣布,来自 Roberto Horowitz、Pieter Abbeel 和 Koushil Sreenath 三个实验室的论文《SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model》已在 11 月 11 日于奥斯汀举行的 CoRL 2026 颁奖环节获得最佳会议论文奖(Best Conference Paper),帖文链接指向 CoRL 官网奖项页。论文一作 Qiayuan Liao 早些时候已发帖致谢:「SuperMimic 赢得了 CoRL 的最佳论文奖。谢谢大家的支持!」(原帖);会后的第三方盘点也把它列为 Best Conference Paper Award 得主(corematter 述评)。
这篇论文的核心主张浓缩在一组自报数字里:据 arXiv 摘要(2026 年 10 月 20 日上线),SuperMimic 用一个从标准刚体模拟器转移记录中拟合的可微世界模型,把人形全身控制的学习摊到全部动作上;单张 GPU 训练 3 小时,回报即超过在 128 张 GPU 上训练 7 天的当前最优(SOTA)运动跟踪基线,GPU 时减少逾 1,000 倍;129,514 条基准动作中失败 25 条、基线失败 179 条,两块 GPU 训练 9.8 小时后零失败,策略随后迁移到实体 Unitree G1。
一条致谢帖与一条官帖,把奖项定在 11 月 11 日
CoRL 2026(Conference on Robot Learning)主会于 11 月 9 日至 11 日在美国得克萨斯州奥斯汀举行(会议官网)。论文 10 月 20 日挂上 arXiv,次日 Liao 就在 X 上公开了主要成绩:「我们找到了一条把人形控制的 GPU 时减少逾 1,000 倍的路」(原帖,截至 11 月 15 日检索获 1,840 个赞、约 28 万次浏览)。11 月 10 日,他在 CoRL 报告现场宣布代码开源(原帖),仓库为 HybridRobotics/supermimic。项目页列出的作者为 Qiayuan Liao、Yiyang Shao、Junfeng Long、Kevin Zakka、Roberto Horowitz、Pieter Abbeel 和 Koushil Sreenath,均署名 UC Berkeley,其中 Shao 与 Long 为同等贡献。11 月 12 日 04:48(UTC),Liao 的致谢帖附上一张照片,截至检索获 1,206 个赞;当晚 22:44,BAIR 官方账号发帖向三个实验室道贺,称论文已获最佳会议论文奖,链接指向奖项页。
把整个动作库装进一个世界模型
arXiv 摘要写明,现有管线用无模型强化学习追大规模人体动作数据集,要么逐条动作训练专家策略、再做有损蒸馏合并,要么用集群级算力硬训一个单一策略。SuperMimic 换了一条路:拟合一个覆盖这些动作共享刚体动力学的可微世界模型,训练数据是标准刚体模拟器记录下的转移。项目页补齐了机制细节:模拟器是 MuJoCo Warp;方法本身从不微分模拟器,解析梯度只穿过学到的世界模型,带非光滑接触的模拟器照常可用;世界模型每轮迭代都与策略一起更新,只在单次策略更新内部保持固定;策略通过 BPTT(backpropagation-through-time,沿时间反向传播)在 32 步的想象 rollout(在模型内部模拟的短轨迹)上拿到解析梯度,视野之外的回报由一个 critic(在视野外自举回报的价值网络)顶上,有了它,16 步视野足以顶替无 critic 时的 32 步。
效率来自三处,项目页给了量级:想象 rollout 在实际使用的批量下比 MuJoCo Warp 快逾 10 倍(H100 上实测);一阶梯度把达到 PPO-WM(用近端策略优化算法 PPO 在世界模型 rollout 上训练)最佳训练回报所需的想象步数减少约 64 倍;世界模型把整库动作的学习摊到一起,预测误差在 1~264 小时动作数据之间稳定在 0.007~0.011,达到目标回报所需的 GPU 时随数据增长得很慢。
对比 SONIC:算力账与口径注脚
项目页的对比表把基线写成 SONIC:无模型 PPO、128 张 NVIDIA L40 GPU、训练 168 小时(7 天)、报告约 21,000 GPU 时、归一化回报(0~1 归一的得分)0.90。SuperMimic 一侧是 1 张 NVIDIA H100,3 小时跑完包含采集、拟合与策略更新的完整训练循环后,回报超过 0.90,检查点评估不计入这 3 小时。按项目页脚注折算,GPU 时之比约 7,200 倍、实际耗时之比约 56 倍,两个倍数在页面上分别保守表述为「逾 1,000 倍」与「逾 50 倍」。
失败数拆到动作类别差距更直观:Liao 10 月 21 日在 X 上说,当前最优的 SONIC 在 129,514 条动作中失败 179 条,「其中每一个翻转和每一个侧滚都在内」(原帖);项目页分项表显示,44 个翻转、22 个侧滚、8 条舞蹈动作在 SONIC 处全部失败,SuperMimic 单卡 3 小时共失败 25 条,两卡 9.8 小时后降为零。
作者把口径注脚直接写在了页面上:评测时每条动作从首帧播一次、脚底摩擦固定 1.0、无域随机化与观测噪声、确定性物理,失败定义为 rollout 触发 SuperMimic 自己的训练终止条件。硬件与数据差异也被摆上台面:SuperMimic 训练只用 264.56 小时的 BONES-SEED,即 SONIC 611 小时数据集的公开子集,数据少 2.3 倍;H100 的单精度浮点(fp32)峰值算力只有 L40 的 0.74 倍,tensor core(张量核心)峰值算力是 5.5 倍。项目页的结论是:2.3 倍的数据差和至多 5.5 倍的峰值算力差,解释不了 1,000 倍的 GPU 时差;至于两条跑法各自用到了这峰值的多少,页面承认无从得知。
同一个策略,直接上 Unitree G1
论文摘要称,策略已「迁移到实体 Unitree G1,覆盖多样和杂技类动作」。项目页的 FAQ 更具体:页面上每一段真机视频,都是同一个策略在实体 G1 上运行,没有对单个动作做调参;页面相应小节的标题就叫「在想象中训练,零样本到现实」(Trained in imagination. Zero-shot to reality)。项目页另附浏览器 demo,可以直接选择动作与策略运行。
从 10 月 24 日的第一篇跟进到 11 月 13 日的真实数据扩展
开源仓库 HybridRobotics/supermimic(Apache-2.0 许可,基于 mjlab 搭建)截至 11 月 15 日检索有 1,491 个 star,最近一次更新停在 11 月 11 日,正是颁奖当天。相关工作也没有停下来:10 月 24 日,Liao 发帖称「SuperMimic 的第一篇跟进论文,仅仅两天!!!」(原帖);10 月 27 日,他展示跑在肌骨骼人形上的 SuperMimic,称那是「一个复杂得多的身体」(原帖);11 月 13 日,他发帖指出第一个「SuperMimic 式扩展」已经出现:一项把基于模型的强化学习(MBRL)与真实世界数据结合、弥合执行差距的工作(原帖)。
论文摘要给自己的定位很直白:SuperMimic「把算力从人形全身控制扩展的瓶颈位置上拿掉」,让测量动作跟踪的缩放规律(scaling law)成为实际可行的事。但作者留下的口径注脚画了一条边界:129,514 条基准动作对两种方法都是训练动作,25 比 179 的失败数是在训练动作上测出的覆盖度,泛化到新动作的表现,这轮评测没有给出。
参考链接
- Berkeley AI Research 官方 X 账号的获奖帖
- CoRL 官网奖项页
- Qiayuan Liao 的获奖致谢帖
- corematter 的 CoRL 2026 述评
- 论文 arXiv 页(arXiv:2610.28480)
- CoRL 2026 官网
- Qiayuan Liao 的成绩公开帖(2026-10-21)
- Qiayuan Liao 的开源宣布帖(2026-11-10)
- GitHub 仓库 HybridRobotics/supermimic
- SuperMimic 项目页
- Qiayuan Liao 关于 SONIC 失败数的帖子
- Qiayuan Liao 的第一篇跟进帖(2026-10-24)
- Qiayuan Liao 的肌骨骼人形演示帖(2026-10-27)
- Qiayuan Liao 的 SuperMimic 式扩展帖(2026-11-13)
- SuperMimic 浏览器 demo