配图说明：本文收录 9 张插图——论文 PDF 裁剪 7 张（Fig. 1–7）+ 官网 2 张，均在站内 /images/supermimic/，逐张讲解，文末附图表总索引与 GitHub 生态表。论文 SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model（arXiv 2610.28480，2026-10-20），CoRL 2026 Oral，UC Berkeley Hybrid Robotics（Qiayuan Liao；Yiyang Shao、Junfeng Long 共同一作；Kevin Zakka、Roberto Horowitz；Pieter Abbeel、Koushil Sreenath 共同指导）；官网 supermimic.github.io。前情阅读：具身智能强化学习调研精读第 1 章（SONIC 同赛道详解）。
🧒 小白 3 分钟：这篇在打谁？
动捕库里有几十万条人类动作（走路、跳舞、翻滚……），让人形机器人逐条学会跟跳，是当前「全身控制」的主流路线。上一代答案是 SONIC（Science Robotics 2026，站内具身智能强化学习调研精读第 1 章已有讲解）：把运动跟踪当可缩放任务，用模型免费 PPO + 密集奖励在 128 张 GPU 上硬训 7 天（≈21,000 GPU-时）。
SuperMimic 的一句话暴击：「所有动作长得不一样，但动力学是同一套」——与其让 PPO 从噪声仿真里反复摸每个动作的后果，不如学一个可微世界模型把这份共享结构显式装下，再让策略在想象 rollout 里用解析梯度（BPTT）升级。结果：1 张 H100 训 3 小时就超过 SONIC 发布 checkpoint 的回报——算力账本直接少三个数量级，「测动捕跟踪的缩放定律」从集群特权变成单卡实验。
📄 论文信息
- 标题：SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model
- 机构：UC Berkeley（Hybrid Robotics 等）
- 时间：2026-10-20（arXiv 2610.28480v1）；CoRL 2026 Oral；官网含算力账本、FAQ、真机影片
- 关键词：可微世界模型、模型基强化学习（MBRL）、BPTT、想象 rollout、人形全身控制、动作跟踪、缩放定律、Unitree G1
- 一句话总结：一个可微世界模型学「所有人形动作共享的动力学」，短想象 rollout 给策略解析梯度——1 GPU 3h > SONIC 128 GPU 7d；129,514 条动作失败数 25 vs 179；真机 G1 全库零调参；缩放定律从此可测。
🎯 一句话版本：核心数字
| 指标 | SuperMimic | 对照（SONIC / PPO-Sim） |
|---|---|---|
| 打平/超过 SONIC checkpoint（回报 0.90） | 1×H100，3 小时（3 GPU-h） | 128×L40，168 小时（≈21,000 GPU-h） |
| 墙钟/GPU 时加速 | >50× 墙钟；>1000× GPU 时 | — |
| 129,514 条基准动作失败数 | 25（3h/1 卡）→ 0（9.8h/2 卡） | SONIC checkpoint 179（含全部翻转与侧滚） |
| 动作数据规模 | 公开子集 BONES-SEED 264.56h（SONIC 全集 611h 的 43%） | 全量 611h |
| 缩放行为 | 数据 1→264h：世界模型 8 步预测误差稳定，达标 GPU 时缓增 | 模型免费路线近似随数据线性烧卡 |
| 世界模型吞吐 | 批量下 >10× MuJoCo Warp | 物理仿真器（不可微） |
| 真机 | Unitree G1 全动作库迁移，无逐动作调参 | — |
| 下游接口 | RL 训练的速度编码器 > 蒸馏基线 | F7 初步研究 |
🗺️ 仿真 vs 真机：一眼分清
| 场景 | 类型 | 说明 |
|---|---|---|
| LAFAN1 / BONES-SEED 动作库跟踪 | 仿真（训练+评测主战场） | 129,514 条基准动作；归一化回报 + 失败判定（终止条件） |
| 与 SONIC/PPO-Sim 的受控对比 | 仿真 | 同硬件口径（1/2×H100 vs PPO 1/4/8 卡；SONIC 用发布 checkpoint 账本） |
| 缩放定律实验 | 仿真 | 数据 1→264h、想象视野 H∈{8..128}、有无 critic |
| Unitree G1 真机 | 真机 | 多样与特技动作迁移，单策略全库通吃（Fig. 6） |
🛠️ 方法：共享动力学 × 解析梯度
核心循环（Fig. 2 三段式）
- Collect data：当前策略 πθ 在仿真里带探索噪声收集转移
(s_t, a_t+ε_t, ξ, s_{t+1})（ξ 为每 episode 的仿真上下文）——世界模型保持确定性：条件在 ξ 上，而不是靠随机性猜接触； - Fit world model：从 replay buffer B 采短窗口
(s_0, a_{0:k-1}, ξ)拟合L_WM——世界模型 fω 同时预测下一状态与终止概率（termination BCE）； - Improve policy：策略在冻结的世界模型里做短视野想象 rollout（默认 H=32），对想象轨迹做 BPTT 得到解析梯度 ∇θ Ĵ(θ)，更新 πθ（带 critic；消融显示无 critic 时低视野崩、高视野变慢）。
一句话：仿真只负责产日志（可不可微无所谓），想象负责产梯度——这就是「兼容 MuJoCo 这类非光滑接触仿真器」的原因：梯度走的是学习出来的光滑模型，不是物理引擎。
为什么快
- 摊销：一个动力学模型服务全部动作库——不再「每条动作重复摸奖」；
- 快：世界模型批量前向比 MuJoCo Warp 快 10×+（Fig. 5a）；8 步预测误差在数据 1→264h 全程稳定（Fig. 3c）——「加数据不会把模型撑坏」；
- 准：解析梯度替代 PPO 的高方差策略梯度——PPO-Sim 4 卡/8 卡墙钟 17h 都没到 0.82，SuperMimic 单卡 ~3h 就过 0.90 线（Fig. 4a）。
配套设计
- 目标条件：跟踪目标可来自速度指令、末端位姿或 SMPL 身体姿态（Appendix B）——下游「速度编码器」接口用它；
- 终止建模：跟踪失败判据（如根部/末端高度偏差）同时用于训练终止头与评测口径（与 SONIC 官方判据不完全相同——论文与社区 FAQ 都做了披露）；
- 局限自陈：只在平地训练，无地形/物体交互；真实数据精修与系统辨识留作未来。
📸 逐图讲解（9 张：论文 7 + 官网 2）
Figure 1：算力对比总览（头图）
（即文首头图。）左：World-Model Rollout 示意——策略在学到的可微世界模型里滚动改进；右：两行算力条——128 张 L40 × 168 小时（SONIC） vs 1 张 H100 × 3 小时（本文），标注 >1000× fewer GPU-h。这是全文的电梯陈述：方法差异 = 用共享动力学换掉暴力采样。
Figure 2：训练循环三段式（论文 Fig. 2）
底部一条 Replay buffer B 贯穿三格：
- (1) Collect data：πθ（雪花=冻结？不——雪花表示该步不更新）带噪声 a+ε 进 Sim，产出 (s,a,ξ) 入库；
- (2) Fit world model：采样窗口更新 fω（火焰=可训练），损失 L_WM（Eq.1）；
- (3) Improve policy：fω 冻结，πθ 在想象里收 ĥat{o}, η 与回报 ĥat{r}、状态 ĥat{s}，BPTT 得 ∇θ 更新（Eq.2）。 读图抓手：每轮迭代都同时「更懂世界」与「更会控制」，但两者梯度路径完全分离——世界模型梯度来自数据拟合，策略梯度来自想象穿模。
Figure 3：主结果——GPU 时账本 + 缩放定律（论文 Fig. 3）
- (a) 归一化回报 vs GPU-时（对数轴）：红色虚线 = SONIC checkpoint 0.90（128 L40、168h、21k GPU-h）；深蓝 1×H100 约 3 GPU-h、浅蓝 2×H100 9.8h 便越过虚线——标注 >50×（墙钟）与 >1000×（GPU 时）；
- (b) 达标 GPU-时 vs 数据时长：从 1h 到 264h，曲线只缓慢爬升（虚线「与数据成正比」作参照）——加数据的边际成本可控；
- (c) 8 步预测误差：全程 ~1×10⁻² 量级不发散——世界模型没有被大数据压垮。 这是「可测缩放定律」的证据链：误差稳、成本缓、回报高三者同时成立。
Figure 4：受控对比——打 PPO 与想象视野消融（论文 Fig. 4）
- (a) 墙钟时间：SuperMimic 单卡曲线一骑绝尘；PPO-Sim 1/4/8 卡跑到 ~17h 仍在 0.6–0.75 之间——同墙钟下单卡 MBRL 胜集群 PPO；
- (b) 最终回报 vs 想象视野 H：critic 版在 H=16 起冲到 ~0.8+，H=32 标高亮（默认）；无 critic 时 H=8 直接崩、要 H=64 才追上——critic 是低视野稳定的必需品；
- (c) 达到 0.82 所需小时 vs H：H=32 最省（~1h 量级），H=8 无 critic「not reached」，H=128 反而更慢——视野不是越长越好，短视野+critic 才是甜点。
Figure 5：想象 rollout 又快又可微（论文 Fig. 5）
三小格：(a) H100 上批量想象吞吐——世界模型比 MuJoCo Warp 快 10×+；(b) 梯度流示意——∂ĥat{s}/∂θ̂ 与 ∂ĥat{s}/∂a 的 Jacobian 沿 H 步回传；(c) 8 步预测误差随数据稳定（与 Fig. 3c 呼应）。工程含义：「快」来自批量纯张量运算，「可微」来自模型本身——物理仿真器在这条梯度链路里彻底退居数据源。
Figure 6：真机 Unitree G1 全库迁移（论文 Fig. 6）
一个策略、多帧真机时序：走、跳、特技等多样动作直接上 Unitree G1——无逐动作微调。评测语境：仿真里 0.92+ 的跟踪策略，把根部平衡与落脚时序带进真实执行；与 SONIC 真机线同台时比的是「同一套动作库的可部署性」而非单项演示。
Figure 7：速度编码器——RL 训练胜过蒸馏（论文 Fig. 7）
下游接口初步研究：把「速度指令 → 目标条件」的编码器分别用 RL（任务奖励直接训练） 与蒸馏基线获得，跟踪阶跃指令——RL 版误差更小、跟随更稳。含义：可微世界模型不仅训练本体策略，还能给下游接口供给快速训练环境（同一个模型当「接口的仿真器」）。
官网图 1：单卡墙钟账本（官网 media）
官网「Compute」区的墙钟对照条：168 h（7 天，SONIC）vs 3 h（SuperMimic），以及 GPU-时 ~21,000 vs 3、动作数据 611h vs 264.56h（公开子集）、失败数 179 vs 25→0——正文数字的可视化版，FAQ 还专门回答「比较公平吗」：硬件（L40 vs H100）与数据（43% 公开子集）差异都朝不利于 SuperMimic 的方向，结论仍成立。
官网图 2：演示海报（官网 media）
真机影片的封面海报（完整片见官网 film-1080.mp4）——G1 在真实空间执行库里动作的实拍剪影。阅读方式：先看方法数字，再看片子验证「没坏」；官方声明页面上每段真机视频都是同一策略、无逐动作调参。
🧪 实验速查
- 主对比（Fig. 3a）：3 GPU-h 越过 SONIC 0.90 线；失败 25/129,514（SONIC 179）；双卡 9.8h 失败清零——注意 alphaXiv 作者自评披露：两边失败判据不完全一致（SONIC 用其论文的根/末端高度 0.25m 判据、无朝向项；SuperMimic 用自身训练终止），比较时当「覆盖率代理」而非同口径竞技。
- 受控 PPO 对比（Fig. 4）：同机同奖励族下，PPO-Sim 8 卡仍追不上单卡 MBRL 的墙钟效率；想象视野 H 与 critic 的交互给出可复用的超参结论（H=32+critic）。
- 缩放定律（Fig. 3b/c）：数据 264×，模型误差不涨、成本缓涨——首次让「动捕规模 → 控制能力」的曲线变得可测（这是标题里 Scaling 的真正含义）。
- 真机 + 接口（Fig. 6/7）：G1 全库迁移；RL 速度编码器初胜蒸馏。
💡 评析：三个亮点，三条边界
三个亮点
- 给 MBRL 正名：模型基方法长期「样本省但算不快」——SuperMimic 用可微学习模型 + 短 BPTT 把墙钟与 GPU 时双赢做实，动摇了「人形跟踪 = PPO 集群」的默认路线。
- 算力民主化：单卡 3 小时的设定意味着社区能做缩放消融（数据量、视野、奖励族），而不用等 128 卡排期——社区一周内井喷复现（见下节）正是被这一点点燃。
- 账本与口径公开：失败判据差异、公开子集比例、终止条件都写进论文/FAQ——对比虽「不对称硬件」但方向性偏袒被显式讨论。
三条边界
- 平地-only：无地形/物体交互，「全地形人形」仍要另一条线；
- 判据不对称：失败数 25 vs 179 不是同规则竞技（作者已声明）；
- 世界模型误差 ≠ 闭环完美：8 步误差稳定不保证 H=32 想象下的复合误差处处无偏——长视野漂移仍是 MBRL 的经典幽灵（H=128 变慢是征兆之一）。
🧰 GitHub 生态：官方未挂代码，supermimic_vibed 领跑的复现潮
先回答两个常见疑问：①这是刚出的文章吗？——是：arXiv 2026-10-20 提交、CoRL 2026 Oral，本文写作时刚满一周；②官方有 GitHub 吗？——没有：论文、官网、arXiv 页面均未挂代码链接，社区 README 亦明言 “no official code is released”；官网只给 PDF、影片、算力账本与 BibTeX。但「没挂官方链接」≠「没人能跑」——论文上线次日起 GitHub 就进入复现潮，两天内形成事实标准。
0）zita-ch/supermimic_vibed（706★，MIT）——事实上的参考实现
- 身份：非官方复现（README 首行即声明 Unofficial），作者 Chong Zhang（ETH Zurich），论文发布次日（10-21）建库；自称 1 小时 AI 辅助 vibe-code 完成，并特意说明「不挂任何实验室 org，因为代码太 slop、未经审查，自担风险」——这份坦诚反而成了它的招牌；
- 技术栈：Isaac Lab 3（kit-less Docker，main@46d6cc3）+ Newton + MuJoCo-Warp 求解器（无 Kit/PhysX），50Hz 控制、4×5ms 子步；数据脚本拉取 LAFAN1 G1 retarget（HF）并生成
g1_29dof.xml/USD； - 结果：论文受控 LAFAN1 对比（Fig. 4a）设定——单卡 1.47h（RTX PRO 6000）评测回报 0.829、0/40 失败（论文目标 1.2h 达 0.82；PPO 基线 18h、最多 8 卡都到不了 0.82）；
- 地位：Uni-SuperMimic 等后续仓库 README 直接写「参考
supermimic_vibed」——它就是这条生态线的事实标准，尽管作者自己叫它 slop。
1）miao-org/awesome-supermimic（312★）——复现目录
持续整理的实现/扩展/演示合集（awesome 体例）：把 80+ 个仓库按主线复现、硬件移植、下游改造分类收录——「看全生态从这进」。
2）Motphys/Uni-SuperMimic（195★，Apache-2.0）——最完整独立复现
- 定位：在 UniLab 上对 SuperMimic 的独立下游复现——Unitree G1 全身跟踪 LAFAN1 动作库，mjwarp / MuJoCo / Motrix 三后端；
- 结构（README 目录树）：
src/unisupermimic/rl/algos/supermimic/（世界模型、策略、critic、replay、learner）+tasks/motion_tracking/g1/supermimic/（Manager 环境、可微 MDP、确定性全片评测、对比视频导出、G1 注册）+ Hydra 配置 + G1 MJCF/LAFAN1 CSV 资产下载脚本 + sim2sim 一致性校验（策略 I/O、网络形状、动作库、MJCF 同一性）； - 训练/评测命令：
uv run unisupermimic-train（Hydra 覆盖后端）；确定性全库评测play_only=true；视频导出unisupermimic-video（默认对齐参考根部 XY，--global-ghost保留全局位移）； - 结果（README）：
- LAFAN1 40 条：ckpt 12000，mjwarp+4096 环境，norm_return 0.827，失败 0/40；
- BONES-SEED 全保留库 129,487 条（47.3M 帧）：单张 RTX 4090 1.69h 训练，norm_return 0.9243，失败 350/129,487（0.27%）；分布中位 0.9528、P10 0.8337、P90 0.9841；RTX 5090 独立复跑 0.9262（差 <0.002）；
- 许可：代码 Apache-2.0，并保留参考实现的 MIT 声明——合规细节可当模板。
3）CuboiLeo/SuperMimic-Reproduced（308★）——「论文转录 + 从零实现」派
- 从零复现（mjlab/MuJoCo Warp 底座）：LAFAN1/BONES-SEED 数据管线、可微 FK 与解析奖励头、世界模型与想象训练器、torchrun 数据并行、附录 F 基准、交互回放器；
- 文档即资产：
docs/PAPER_SPEC.md（论文全部数值/公式/协议逐条转录 + 「未指明」清单 U1–U20）、REPRODUCTION_PLAN.md（设计决策 D1–D20）、EXPERIMENTS.md（逐实验日志与踩坑）——中文文档，适合当「论文精读的配套注释」读； - 结果：LAFAN1 上 RTX 5090 单卡 1.66h 达论文 0.82（锚点相对观测；作者明确说明与论文 93 维纯本体观测口径的偏离及其导致的回报上限差异）。
4）索引与改造潮
除 awesome-supermimic 外还有 QinnyuLan/SuperMimicCarnival（复现进度追踪）；改造方向两天内已外溢出人形跟踪本体：灵巧手（CumulusAlpha/Dex-Supermimic 67★）、四足（go2-supermimic 66★）、机械臂状态跟踪（supermimic_manipulation 38★）、G1 仿真到真机（南大组 SuperMimic-Repro-Sim2Real 33★）、肌肉驱动人形（muscle-supermimic 30★）、高动态动作特化（Baojch 前空翻/侧翻套件 21★）等数十个——「一个可微世界模型」正被当成通用训练器模板往外复用。
怎么用这节：想快速跑通 → supermimic_vibed（最流行、LAFAN1 1.5 GPU 时 0.829，但作者自认 slop）；想工程化落地 → Uni-SuperMimic（三后端+全库评测+清晰许可）；想抠论文细节 → CuboiLeo 的 PAPER_SPEC/实验日志；想看全名单 → awesome-supermimic / Carnival。官方代码一旦放出，以上均可作为对照实现。
❓ 自测 Q&A
Q1：为什么世界模型能比物理仿真「快 10 倍」？
物理引擎每步要解接触/约束（MuJoCo Warp 已是 GPU 极限优化版）；学习到的 MLP 世界模型只有批量矩阵运算——且只预测短窗（8 步误差就够用），不做长程物理。
Q2：BPTT 会不会算力爆炸？
视野被压到 H=32 以内（消融：更长反而更慢），配合短 replay 窗口——梯度链路短，单卡才装得下。
Q3：和 SONIC 的比较公平吗？
硬件不同（L40×128 vs H100×1）、数据不同（611h vs 264.56h 公开子集）、失败判据不同——官网 FAQ 与论文附录逐条披露；作者立场：前两项差异都不利于自己，第三项当覆盖率代理看。
Q4：为什么无 critic 在 H=8 会崩？
低视野下回报信号更稀、 bootstrap 更重要——critic 提供的价值基线让短想象仍能估对动作好坏（Fig. 4b/c）。
Q5：速度编码器实验说明什么？
可微世界模型可以复用为下游接口的训练场：同一个模型里 RL 训编码器比蒸馏更快更准（Fig. 7）——MBRL 的红利不止本体策略。
📊 图表总索引（9 张）
| 图 | 内容 | 本站文件 |
|---|---|---|
| Figure 1（头图） | 世界模型训练 + 1000× GPU 时对比 | 本文插图 |
| Figure 2 | 训练循环三段式 + replay | 本文插图 |
| Figure 3 | 主结果账本 + 缩放定律（a/b/c） | 本文插图 |
| Figure 4 | PPO 受控对比 + 想象视野消融 | 本文插图 |
| Figure 5 | 想象 rollout 吞吐与可微性 | 本文插图 |
| Figure 6 | 真机 G1 全库迁移 | 本文插图 |
| Figure 7 | 速度编码器 RL vs 蒸馏 | 本文插图 |
| 官网图 | 单卡墙钟/GPU-时账本 | 本文插图 |
| 官网图 | 真机演示海报 | 本文插图 |
📚 资源与延伸
- 论文：arXiv 2610.28480；官网 supermimic.github.io（含 /demo 与算力 FAQ）
- GitHub 生态：zita-ch/supermimic_vibed（706★，事实标准参考实现）· miao-org/awesome-supermimic（312★ 目录）· Motphys/Uni-SuperMimic（195★）· CuboiLeo/SuperMimic-Reproduced（308★）· SuperMimicCarnival（进度索引）
- 同赛道精读：具身智能强化学习调研精读（SONIC 章 + VLA-RL 谱系）· GR00T-N1.7 精读（N1.7 亦接 SONIC 全身控制）
- 知识铺垫：PPO 强化学习方法详解、GRPO 强化学习方法详解