# 前向-后向表示

CrossBFM 冻结在 Unitree G1 上预训练的 Behavior Foundation Model 的 backward map，利用重定向数据提供的逐帧跨本体对应关系，用一个无机器人专属参数的统一编码器把该潜空间蒸馏到 Inhouse M3、Booster T1、Fourier N1 三款人形机器人上，编码器训练不到一 GPU 小时、每个跟踪器再加约 10 GPU 小时，三种提示模式（动作跟踪、目标姿态到达、奖励优化）均可迁移，潜条件策略相对关节条件策略仅损失 0.025 弧度，用四分之一动作语料只损失 5% 跟踪性能，在未见过的形态相近机器人上最多恢复 89% 的跟踪性能，并在真机上验证。

CrossBFM 冻结在 Unitree G1 上预训练的 Behavior Foundation Model 的 backward map，利用重定向数据提供的逐帧跨本体对应关系，用一个无机器人专属参数的统一编码器把该潜空间蒸馏到 Inhouse M3、Booster T1、Fourier N1 三款人形机器人上，编码器训练不到一 GPU 小时、每个跟踪器再加约 10 GPU 小时，三种提示模式（动作跟踪、目标姿态到达、奖励优化）均可迁移，潜条件策略相对关节条件策略仅损失 0.025 弧度，用四分之一动作语料只损失 5% 跟踪性能，在未见过的形态相近机器人上最多恢复 89% 的跟踪性能，并在真机上验证。