# 苹果开源HALO人形机器人系统：宇树G1端侧部署VLM实测成功率91%

> 原文链接：https://robotics.hellobike.com/news/2026-11-07-halo-6-360-91
> 频道：news | 更新日期：2026-11-07 | 标签：auto, rss, ithome
> 核心摘要：苹果披露人形机器人自主控制系统HALO并开源全栈代码，基于宇树G1与M4 Pro Mac mini实现端侧VLM推理。在6个未建图真实环境中完成360次单项任务测试，平均成功率达91%，验证了消费级算力支撑具身智能大模型落地的可行性。

# 苹果开源HALO人形机器人系统：宇树G1端侧部署VLM实测成功率91%

::: v-pre
> 本文由 AI 根据公开内容整理，可能有误，请以原文为准：[苹果披露人形机器人 HALO 系统：6 个未建图环境测试 360 次单项任务，平均成功率 91%](https://www.ithome.com/1/023/767.htm)（IT之家）

## 核心内容

苹果研究团队发布人形机器人自主控制系统HALO论文并开源数据生成、模型训练及部署代码。该系统在6个未预先建图的真实环境中执行360次单项任务，平均成功率达91%；针对长序列复合任务，3种组合平均成功率为70%，最复杂的“俯身过障-走向目标-推箱子”任务成功率为50%。训练阶段使用250张H100 GPU耗时48小时合成数据，动作生成器与跟踪器分别采用64张B200和4张H100进行模仿学习与强化学习训练。

HALO采用三层协同架构：上层Orchestrator基于Qwen3.6-35B-A3B VLM负责任务编排，中层Motion Generator采用Qwen3.5-2B生成动作，底层Tracker以50Hz运行RL策略网络。硬件基于宇树G1人形机器人，背部加装3D打印外壳内置M4 Pro芯片Mac mini（64GB统一内存）承担VLM与DiT实时推理，G1自带板载芯片专注高频运动控制。目前系统主要依赖视觉感知，缺乏触觉反馈导致接触类任务在遮挡时性能下降，后续将引入触觉传感改进。

## 关键看点

- **端侧算力方案**：采用M4 Pro Mac mini（64GB统一内存）机载部署，独立承担VLM与DiT高开销推理，G1板载芯片仅负责50Hz RL策略跟踪
- **分层模型架构**：上层Qwen3.6-35B-A3B VLM编排任务，中层Qwen3.5-2B生成动作，底层RL策略经蒸馏后以50Hz频率运行
- **真机实测指标**：6个未建图环境360次单项任务平均成功率91%，长序列复合任务平均成功率70%，复杂操作任务成功率50%
- **训练资源规格**：250张H100耗时48h合成数据，64张B200训练动作生成器，4张H100完成RL策略蒸馏与跟踪器训练

## 工程与产业观察

苹果HALO验证了消费级SoC（M4 Pro）支撑端侧VLM+DiT具身推理的工程可行性，为摆脱云端依赖提供实测基准。其开源的全栈Sim-to-Real代码与分层架构设计，降低了人形机器人算法复现门槛。但纯视觉感知在接触任务中的局限性，也再次印证了多模态触觉融合是下一阶段具身智能落地的关键瓶颈。
:::

## 原始参考来源 (Sources)

- [IT之家：苹果披露人形机器人 HALO 系统：6 个未建图环境测试 360 次单项任务，平均成功率 91%](https://www.ithome.com/1/023/767.htm)