휴머노이드 제어는 자연스러운 전신 협응, 제어 신호에 대한 정밀한 실시간 응답, 그리고 다양한 환경 맥락에서의 강력한 일반화를 요구하며, 이는 범용적 체화 에이전트(embodied agents)의 초석입니다. 행동 기초 모델(Behavior Foundation Models, BFMs)은 최근 대규모 행동 데이터를 활용하여 우수한 표현력, 다재다능함 및 일반화를 달성함으로써 이러한 과제들을 해결하는 유망한 해결책으로 부상했습니다. 그러나 BFM을 스케일링하여 성능을 더욱 개선하려는 관심이 커지고 있음에도 불구하고, 학습 패러다임, 행동 데이터, 모델 아키텍처를 포함한 핵심 요소들이 어떻게 조정되어 효과적인 스케일링을 가능하게 할 수 있는지 여전히 불분명합니다. 본 연구에서는 BFM의 스케일링 레시피를 재검토하고, 세 가지 핵심 구성요소의 조정을 통해 상당한 성능 향상을 달성할 수 있음을 입증합니다: 1) 다양한 휴머노이드 제어 문제를 전역 프레임에서의 통합된 전신 행동 재생으로 재정립하는 모션 트래킹의 학습 패러다임; 2) 온-정책(on-policy) 롤아웃 양과 참조 동작 다양성 간의 전략적 시너지; 그리고 3) 구조화된 행동 표현이 자연스럽게 출현하도록 용이하게 하는 휴머노이드 트랜스포머(Humanoid Transformer)라는 표현력이 뛰어나고 스케일링 가능한 모델 아키텍처. 시뮬레이션과 실제 배포 환경 모두에서 광범위한 실험을 통해, 저희의 접근 방식이 기존 휴머노이드 컨트롤러 대비 테스트 세트에서 로컬 모드(local mode)의 평균 키포인트 위치 오차(Mean Per-Keypoint Position Error, MPKPE)를 10% 이상, 글로벌 모드(global mode)에서는 82% 감소시키는 등 제어 충실도와 작업 일반화 측면에서 상당한 개선을 가져옴을 입증합니다. 이러한 결과는 BFM이 스케일링 가능하고 범용적인 휴머노이드 제어를 위한 원칙적이고 효과적인 기초임을 확립합니다.