MimicLite 是一套面向人形机器人通用运动跟踪的开源训练与部署 infra：用 8 GPU 和约 1/500 的 SONIC 算力训练出 SONIC 级别的跟踪策略，支持 mjlab / IsaacLab、PPO / SAC、多数据集 any4hdmi 管线、mjhub 资产管理、0.1 秒低延迟 Pico 遥操作，以及任意 codebase policy 到 sim2real 的 10 分钟级适配。
快速可扩展训练
MimicLite 仅使用 SONIC 约 1/500 级别的训练算力，用 8 卡 H200 训练约 2 个小时，就能在根部追踪等关键指标上超过 SONIC 策略。系统支持 mjlab 与 IsaacLab 仿真后端，PPO 和 SAC 强化学习算法；同时，训练规模可以继续随并行环境数、GPU 数量和模型容量扩展，在更大 scale 下继续提升高动态动作完成度和跟踪精度。
运动跟踪 Infra
MimicLite 是一组围绕人形机器人运动跟踪组织起来的基础设施。mjhub 用于统一管理机器人 asset，降低机器人模型资产维护成本，减少资产在训练、前向运动学和 sim2sim 验证等不同阶段不一致的风险；any4hdmi 用于 motion dataset 的 convert、process、visualize 和 load，将 LAFAN、100STYLE、SONIC、Real 等动作数据统一成存储高效的 HDMI 格式，并支持自动缓存前向运动学结果。多个 codebase 通过统一 asset 引用、统一动作格式和统一 policy artifact 连接，避免为每个数据集、机器人或训练后端重复写 glue code。
低延迟遥操作
MimicLite 支持约 0.1 秒端到端延迟的 Pico 低延迟遥操作。Pico / XR 输入被实时转换为参考动作，策略根据机器人状态和参考运动输出低层控制目标，并可以在 MuJoCo 和真实机器人之间复用同一套接口。当前策略在真机上已经支持转身、侧步、折返跑、低姿态下蹲、跪地起身等连续动作切换，并保持较高根部跟踪精度，适合用于实时控制、演示数据采集和后续全身任务开发。
模块化 Sim2Real
Sim2Real 部署侧支持自定义任意 observation function 作为 policy 输入。Agent 调用 sim2real 内置的 adapt skill，可以追踪外部训练代码，实现对应 obs function，并生成 deploy YAML，从而在 10 分钟级别把任意 codebase 训练出的 policy 接入 MimicLite 的 sim2real 部署链路。目前已经适配了 sonic、humanoid-gpt、twist2、teleopit 等主流框架的部署。这个设计让 MimicLite 不只服务自身训练出的策略，也可以成为跨 codebase policy 统一评测和真机部署的适配层。