这家深圳公司的思路是把互联网视频里的人类动作还原成 3D 结构化数据，先学会人怎么动，再把这套动作先验迁移到机器人身上，而不是依赖遥操作采集的机器人数据(The AI Insider)。最大的训练版本用了约 1200 亿多模态 token，相当于 10 万小时的人类动作，迁移后的预测误差随预训练规模呈幂律下降。9 月 21 日随这次发布开源的文本到动作模型 Light-O1-Preview，按 Apache 2.0 放出了权重、推理代码和浏览器试玩(Intelligent Living)。