SuperMimic：用可微世界模型训练宇树 G1 全身动作
宇树 G1 机器人靠单个可微世界模型学全身动作，思路来自 DreamerV3 但用在 mjlab 仿真环境里，比反复试错的 RL 训练快很多。做机器人运动控制或 sim-to-real 的开发者可以直接看开源代码复现。
SuperMimic 是一套人形机器人全身动作训练方法，基于 mjlab 物理仿真环境构建，借鉴了 DreamerV3 的技术思路，把物理规律放进一个可计算预测的可微世界模型（Differentiable World Model）里统一训练。该方法让宇树 G1 人形机器人获得了精确的全身动作追踪能力，支持广义坐标和最大坐标两种方式来精准控制身体姿态。
与传统反复试错的训练方式相比，可微分世界模型让机器人能直接推演动作与环境的互动变化，加快了学习复杂连贯动作的速度。不过作者也指出隐患：世界模型由神经网络拟合而成，遇到剧烈碰撞或脚底打滑等长尾场景时，可能导致连续动作失败。项目代码已在 GitHub 开源。
宇树狂喜
SuperMimic：用单个可微世界模型（Differentiable World Model）来做人形机器人全身动作训练
SuperMimic基于mjlab物理仿真环境构建，借鉴了DreamerV3等技术思路，把物理规律放进一个可以计算预测的世界模型里进行统一训练，让G1人形机器人拥有了精确的全身动作追踪能力，支持广义坐标和最大坐标两种方式来精准控制身体姿态。
相比传统反复试错的训练方式，可微分世界模型能让机器人直接推演动作与环境的互动变化，大幅加快了学习复杂连贯动作的速度。但是也存在隐患：世界模型毕竟是神经网路拟合出来的，算是纸上谈兵，一旦遇到剧烈碰撞或脚底打滑等长尾场景，可能会导致连续动作失败。
Github：https://t.co/hbh17CnClA
This report is categorized under AITOP's "Models" desk, focusing on China's AI industry and domestic foundation model ecosystem. Within our cross-regional analytical framework, it directly maps to AI developer toolchains, coding agents, and engineering workflows and US-China foundation model benchmarks and commercialization comparison. Key entities and technical topics under continuous tracking include 宇树, SuperMimic, DreamerV3, 人形机器人.
Source attribution: curated from Gorden Sun (@Gorden_Sun).
