来源：工控路
文章链接：https://mp\.weixin\.qq\.com/s/aPPIgLr\-ZHibah\_Atz47Sw
3 小时，1 张 H100。对面是 168 小时，128 张 L40。这组数字是真的，但它不是全部。
01两份账，56 倍和 7200 倍
前者是 UC Berkeley 这篇 CoRL 2026 Oral（arXiv:2610.28480）。后者是 SONIC，人形全身跟踪的公开基线，发在 Science Robotics 今年第 117 期，128 张 L40 连跑 7 天，约 21,000 GPU 小时。SuperMimic 这边约 3 GPU 小时。这里比的对手不是重新训一遍的 SONIC，是它公开释放的那个 checkpoint。
论文摘要只写"超过 1000 倍"。脚注把两个数拆开了：墙钟约 56 倍，GPU 小时约 7200 倍。
差的这一截全在卡数上。GPU 小时按卡数乘，墙钟不乘。引用时这两个数不能混着用：墙钟 56 倍讲的是"这套设备要占多久"，GPU 小时 7200 倍讲的是"折合多少机器时"。采购看后者，排产看前者。
摘要选 1000 这个保守值有道理。7200 是拿 21,000 除 3 得来的理想值，只要 3 小时那个口径稍松，倍数就往下掉。写 1000 留了七倍余量。
官方自己列了两个混淆项，这是全文最诚实的一段。数据量差 2.3 倍。SuperMimic 用 264.56 小时动作，是 BONES-SEED 里 SONIC 611 小时数据的公开子集。峰值算力也不对等：H100 的 fp32 是 L40 的 0.74 倍，张量核是 5.5 倍。两次运行各自吃到多少峰值，论文写"未知"。
2.3 乘 5.5 等于 12.65。离 1000 还差两个数量级。剩下那截只能落在"算的东西不一样"上，堆硬件堆不出来。
换个算法更直白。按张量核峰值把 H100 折成 L40，7200 除以 5.5 约 1300 倍，余量确实不厚。两种算法都指向同一件事：这个差距不是卡的型号解释得了的。
3 小时的口径也要看清。它含完整训练循环，采数据、拟合世界模型、更新策略都算在内。checkpoint 的评测时间不计入，那是训练完单独跑的。
图 1：一边是一张卡跑 3 小时，一边是 128 张卡跑 168 小时，折合 GPU 小时差约三个数量级
02梯度不从仿真器走
这篇跟"可微仿真器"是两回事。它不对 MuJoCo Warp 求导，而是先记录仿真里的转移，再拟一个世界模型（world model），梯度从学到的模型上走。
绕这一步换来的是兼容性。接触是非光滑的，真去对刚体仿真器求导，又贵又不稳。学一个替代品，仿真器只当数据源。官方 FAQ 的说法很直接：接触非光滑的仿真器可以直接用。
世界模型由动力学 f_ω 加三个头组成。头分别是奖励、观测、终止，每个头可以学，也可以解析算。动力学是三层 MLP（多层感知机），宽度 2048。输入是当前状态、动作，以及每回合的仿真上下文 ξ——摩擦系数、关节标定偏移、躯干质心偏移三项。
拟合用 k=8 的自回归窗口。从记录的状态 s_0 起步，按记录的动作往前推 8 步，损失是状态、奖励、观测、终止四项之和。窗口短是有意的：它只需要教会模型自己纠错，不需要它一次预测很远。
策略那一步固定 ω，在想象 rollout（在世界模型里向前推演）上做 H=32 步的 BPTT（沿时间反向传播），第 32 步以后的回报交给 critic（价值网络）V_ψ 估。这是 SHAC 一系的做法，差别在于它把硬终止换成了生存权重，critic 也没有指数滑动平均的目标网络。
省在哪一步，值得说细一点。PPO（近端策略优化）走的是采样路线。跑一批动作，用回报给动作打分，再用似然比把打分变成梯度。这个估计方差大，要靠海量样本把噪声压下去。BPTT 直接对动作求导，短视野下一阶梯度的方差低得多，同样的信息量需要的样本少。
论文用一个干净对照把"快"和"梯度好"分开了。同等回报下，它比"在世界模型上跑 PPO"（PPO-WM）少约 64 倍想象步。这两边用的是同一个世界模型，rollout 速度一样。如果收益只来自推演快，PPO-WM 该同比例受益，实测没有。差额只能记在梯度形式上。
rollout 快也是真的。实用批量（2k–16k 环境）下比 MuJoCo Warp 快 10 倍以上。64k 环境时到 62 倍，那里 MuJoCo Warp 的曲线已经压平。
工程参数在这里。每卡 4096 个并行环境，回放池每环境 1000 步。每次更新 4096 条想象 rollout，训练 320,000 次迭代。控制频率 50 Hz，每步拆 4 个 5 ms 子步。动作是 29 维关节设定值，编码器输出 32 维隐变量再过 tanh。
0340 条 clip 的单卡 1.2 小时
真正能当对照的是 LAFAN1 那组。40 条 G1 retarget 动作，2.45 小时素材。两边共用同一套动作、观测、奖励、终止条件、域随机化范围、网络宽度和评测协议。
SuperMimic 单卡 1.2 小时到归一化回报 0.82。
PPO-Sim 在 18 小时预算内没摸到 0.82。它的最终回报是单卡 0.60、4 卡 0.70、8 卡 0.72。PPO-Sim 每卡还开了 8192 个并行环境，是 SuperMimic 的两倍——并行度占优，照样输。
4 卡到 8 卡涨 0.02，这一截最能说明问题。若瓶颈是采样吞吐，加卡就该近似线性见效；斜率压平意味着采样量已经饱和。卡住的是梯度从哪来。靠堆卡在这条路上没有回报，这是本文给工程判断的第一条。
0.82 是论文自己设的目标线，不是行业标准。40 条 clip 的样本量也撑不起"能省多少倍"的普适结论。它能撑住的只有一句：同一份预算、同一套配方，学得更快。
图 2：左图是 GPU 小时的对数轴对比，右图是 PPO-Sim 从 1 卡加到 8 卡的最终回报，斜率已经压平
04critic 撑住的是视野之外
无 critic 时，H≤16 训练直接失败。加上 critic，H=16 等效于无 critic 的 H=32，H=32 最快到 0.82。H 从 64 抬到 128，到 0.82 的时间接近三倍，最终回报还降。H=128 已经是单张 H100 放得下的最长视野。
论文没给"预测误差随视野步数变化"的曲线，只有 8 步误差随数据量变化的曲线。所以视野拉长为什么反而更慢，论文没解释。一个合理的解释是反传路径变长，第 100 步那段的模型误差被一并传回策略，抵消了长视野带来的信息。论文没给这条曲线，所以这句是推断。
推扰那组数更能说明问题。测试办法是让机器人在仿真里保持静态 T-pose，再施加 0.5–4 m/s 的速度推。有 critic 的策略 0.5–2.4 秒内稳住；无 critic 的一直趔趄，4 m/s 直接倒。两组策略在名义跟踪回报上差不多。
推扰这组数比 25/129,514 更能说明策略质量。前者测的是被推一下还能不能站住，后者测的是照着参考动得像不像。上机之后先遇到的，是前者。论文把它放在 §4.3，我建议读的时候先看这一段，再看 benchmark。
0525/129,514 的分母是什么
Appendix F.1 写得直白：分母是同一个过滤后的 BONES-SEED 训练集 benchmark，129,514 条，每条从第一帧播一次。没有 held-out（留出集），没有泛化测试。
数据从 142,220 条过滤到 129,514 条，过两道关。名称过滤砍掉 12,553 条，靠 clip 名字里的关键词，比如 stair、ladder、box、chair。可行性过滤再砍 153 条，判据三条，都靠前向运动学算：最高身体连杆高于 0.20 米并持续 0.6 秒即出局；穿地深于 0.12 米出局；双脚同时离地超过 0.02 米并持续 0.5 秒也出局。
评测设置很干净：脚摩擦固定 1.0，无域随机化，无观测噪声，确定性物理。
裁判口径是这组数字最该看的地方。失败与否按 SuperMimic 自己的训练终止条件判：骨盆高度偏离参考超过 0.25 米，或倾角误差超过 0.8（约 78 度）。论文在附录里明写一句"Unlike BeyondMimic, we do not terminate on end-effector deviation"——它不管手脚位置跟参考差多少。
也就是说，这 129,514 条里算"通过"的动作，含义是没倒，不是动作跟得像。手脚跟不上参考、只保持站姿，在这把尺子下也不算失败。SONIC 自己的判据反过来，只看根和末端的高度偏差超 0.25 米，不含姿态项。两把尺子抓的东西不一样，而这一轮统一用 SuperMimic 那把。按这把尺子，SONIC 公开的 checkpoint 挂 179 条，它的 v1.1 挂 239 条。正文引的是 179。挑好版本比，这个选择对 SONIC 已经算客气。
种子方差没报。论文的说法是"跑了几个随机种子，训练很稳"，理由是跟踪任务的奖励每步都稠密，图里因此没有误差棒。
这不是造假，25 和 179 都是跑出来的。但它是拟合能力的上界，不是泛化的证据。训练过的动作、无扰动的物理、不含末端偏差的终止条件，三个条件叠在一起，读数只能往"覆盖得全不全"上解释。
分组看更清楚：
▪︎ 侧滚 22 条，SONIC 全挂，3 小时剩 2 条，9.8 小时清零
▪︎ 空翻 44 条，SONIC 全挂，3 小时剩 1 条，9.8 小时清零
▪︎ 交叉腿 10 条，从 9 条降到 0
▪︎ 躺卧与起身 99 条，28 条降到 8 条再降到 0
▪︎ 立定跳远 24 条，15 条直接清零
▪︎ 舞蹈 8 条，SONIC 全挂，3 小时就清零
▪︎ 其余 129,307 条，从 53 条到 14 条到 0
失败集中在硬动作上，这个分布合理。它同时说明另一件事：这些硬动作在训练集里出现过，模型见过。论文自己也没回避，benchmark 上的动作对两边都是训练动作，计数测的是覆盖程度。
图 3：原始 142,220 条动作经名称与可行性两道过滤后剩 129,514 条，全部用作评测分母
06真机四条动作
§4.4 只有一个通用跟踪器，不做逐动作调参，上真机 Unitree G1，跑 4 条：单脚跳测移动，侧滚测躯干四肢贴地的接触密集动作，90 度空翻和原地 360 度空翻测爆发。局限章节自认两条：世界模型只吃仿真数据；只训练平地，地形与物体交互列为后续工作。
129,514 和 4 差两个数量级。这两组证据不在一个档位上：仿真那边证明能覆盖，真机这边只证明这四条能跑。做工程估算，要按 4 条那一侧的方差算风险，不能拿 25/129,514 的成功率去推产线表现。
还有一处没写。论文没给真机试跑的总次数和失败次数。四条动作是挑过的，覆盖面合理，但都属于成功展示。
图 4：真机上跑的是单脚跳、侧滚、90 度空翻、原地 360 度空翻这四条，平地，无物体交互
07官方零仓库，社区四十五个
项目页 supermimic.github.io 上只有论文 PDF 和 demo 视频。没有 GitHub 链接，没有代码，没有许可证声明。
GitHub 上有个 supermimic 账号，建于 2026-10-10。公开仓库 0 个（2026-10-25 查）。但搜 "supermimic" 有 45 个仓库，全部建在 10-21 之后。论文 10-20 挂上 arXiv，第二天社区就动手了。
星数最高的是 zita-ch/supermimic_vibed，485 星、44 fork、MIT。建于 10-21 17:29，末次提交 20:39，前后不到 3 小时。README 自述 "speed-vibecoded in 1 hour with an AI coding assistant"，作者自己补了一句 "code is too much slop"。他叫 Chong Zhang，在 ETH Zurich，声明不挂在任何实验室组织下。这个仓库复现的是 Fig.4a 那组受控对比：单张 RTX PRO 6000 跑 1.47 小时，评测回报 0.829，40 条全过。
第二梯队两个。CuboiLeo/SuperMimic-Reproduced 是 206 星、19 fork、MIT，基于 mjlab 加 MuJoCo Warp。Motphys/Uni-SuperMimic 是 117 星、8 fork、Apache-2.0，在 UniLab 上独立复现，支持 mjwarp、MuJoCo、Motrix 三个后端。
两个小仓库更值得读。JackMin7/supermimic_whole_body_tracking，19 星、MIT，任务还是同一个静态站立，MBRL 对原生 PPO（BeyondMimic 代码基）。两边各训 1 小时、256 环境、seed=42，关掉推扰、域随机化、观测噪声。20 秒站立成功 32/32 对 12/32，平均维持 20.00 秒对 9.63 秒，关节 RMSE 0.144 对 0.415 rad。作者自己写明：单种子、共享 GPU、无扰动、32 个副本不是独立种子，不据此宣称训练加速或真机效果。
btx0424/rethinking-supermimic，20 星，无许可证。README 里一张对照表，列出论文未指定的 12 个实现选择，逐条给出自己和 vibed 各填了什么。位置包括动力学状态含不含坐标、MLP 用什么激活和归一化。还有世界模型损失用不用名义尺度、goal 编码含不含当前帧与坐标系。critic 吃什么、关节偏置加到编码器偏置还是 PD 目标、回合边界怎么算、策略何时开始学，也都空着。同一处选择，两个复现给了不同答案——vibed 关掉自碰撞，rethinking 保留。
许可证这件事得说清。官方无任何许可，默认保留全部权利。第三方复现是 MIT、Apache-2.0、无许可混着来。想商用别指望论文，能参考的只有 MIT 那几个，它们各自"从论文猜"的部分还不一样。
45 个仓库、一小时 AI 生成、485 星，这个信号指向论文写得不够细，不是方法简单。12 个未指定选择意味着每个复现都在替作者做决定，包括那些会影响结果的。
同一批作者的前作 BeyondMimic 也发在 Science Robotics 11(117)。这篇是同一条路线上的降算力版本，降算力做得干净，把实现细节写清楚这件事没做完。
08想复现的三步
选仓库。要贴着论文数字走，用 zita-ch/supermimic_vibed，MIT，有 0/40 的实测，对得上 Fig.4a。要改结构、换后端，用 CuboiLeo 那个 206 星的 mjlab 版本。
盯三个数。单卡到 0.82 的墙钟小时，论文 1.2，vibed 1.47。40 条 clip 的失败数。8 步预测误差，论文在数据从 1 小时涨到 264 小时的过程中把它稳在 0.007–0.011；这个数只算状态一项，按预设的名义误差归一化，不是物理单位。它是世界模型有没有拟对的早期信号，它一飘，前两个数不用看。
认清边界。平地、无物体交互、只有仿真数据，三条都不在论文覆盖范围内。要上地形、要抓东西、要用真机自采数据补模型，得先自己补实验。
观察节点留给官方仓库。等代码放出来，看它填那 12 个选择时跟社区哪个版本一致。不一致，说明这些选择真的影响结果，那时再谈复现难度。
09来源清单
▪︎ SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model，arXiv:2610.28480v1，2026-10-20，CoRL 2026 Oral，UC Berkeley
▪︎ 项目页 https://supermimic\.github\.io（2026\-10\-25 查：无代码、无许可证、仅论文与 demo）
▪︎ SONIC，Science Robotics 11(117):eaed4592, 2026（论文引 [1]，128 卡 L40、168 小时、约 21,000 GPU 小时）
▪︎ BeyondMimic，Science Robotics 11(117):eadx8924, 2026（论文引 [3]，跟踪奖励与 PPO 超参来源）
▪︎ BONES-SEED 动作数据集，huggingface.co/datasets/bones-studio/seed（原始 142,220 条 G1 retarget）
▪︎ LAFAN1，Harvey et al.，ACM TOG 39(4):60, 2020（40 条 clip、2.45 小时）
▪︎ GitHub 检索 "supermimic"，45 个仓库，全部创建于 2026-10-21 之后
▪︎ zita-ch/supermimic_vibed，485★／44 fork／MIT，RTX PRO 6000 1.47 h、回报 0.829、0/40 失败
▪︎ CuboiLeo/SuperMimic-Reproduced，206★／19 fork／MIT，mjlab + MuJoCo Warp
▪︎ Motphys/Uni-SuperMimic，117★／8 fork／Apache-2.0，UniLab，支持 mjwarp／MuJoCo／Motrix
▪︎ JackMin7/supermimic_whole_body_tracking，19★／MIT，MBRL 对 PPO 一小时对照，作者声明单种子
▪︎ btx0424/rethinking-supermimic，20★／无许可证，列出论文 12 个未指定的实现选择
原文链接: https://www.leiphone.com/category/private/mata1x6tcrip8fAr.html
