清华研究生开源大一统世界模型：性能超越硅谷标杆40%！

金磊 发自 凹非寺
量子位 | 公众号 QbitAI

国产开源具身世界模型，直接秒了Pi-0.5，而且还是几位清华硕、博士研究生领衔推出的。

这就是由生数科技联合清华大学，正式开源的大一统世界模型——Motus。

项目主要负责人，是来自清华大学计算机系朱军教授TSAIL实验室的二年级硕士生毕弘喆和三年级博士生谭恒楷。

之所以说是大一统，是因为Motus在架构上，直接把VLA（视觉-语言-动作）、世界模型、视频生成、逆动力学、视频-动作联合预测这五种具身智能范式，首次实现了“看-想-动”的完美闭环。

而且在50项通用任务的测试中，Motus的绝对成功率比国际顶尖的Pi-0.5提升了35%以上，最高提升幅度甚至达到了40%！

在Motus的加持之下，现在的机器人已经具备了预测未来的能力。

瞧，Cloudflare人机验证任务，机器人可以轻松拿捏：

视频地址：https://mp.weixin.qq.com/s/yiS0_RKr9DkTEzPx01NDAA

从视频中不难看出，面对形状不规则的曲面鼠标，Motus控制的机械臂不仅能精准识别，还能根据鼠标与屏幕点击框的距离，平稳连续地移动，最后极度精准地完成点击。

再如长程多步推理的孔明棋任务，Motus同样展现出了严密的逻辑闭环，一步步解开棋局：

视频地址：https://mp.weixin.qq.com/s/yiS0_RKr9DkTEzPx01NDAA

再来看一个堪称是机器人噩梦的任务——叠衣服：

视频地址：https://mp.weixin.qq.com/s/yiS0_RKr9DkTEzPx01NDAA

衣服这种柔性物体的形变是过程中持续不断发生的，但在Motus手下，整个过程丝滑顺畅，就像有了人类的触觉和预判一样。

可以说，Motus的出现，率先在具身智能领域发现了Scaling Law，直接复刻了当年GPT-2被定义为“无监督多任务学习者”的奇迹。

很多CTO、创始人们看完之后直呼“妙哉”：

• 这是互联网视频学习与现实世界机器人之间的巧妙桥梁。
• Motus的Latent Action范式太妙了。统一的VLA架构消除了机器人学中的模型碎片化，这才是真正的突破。
• 将感知、预测和行动统一在智能体内部确实是实质性的进展。

包括此前大火的英伟达Cosmos policy、DreamZero这些工作，被认为是颠覆了VLA的范式，转向WA（World Action Models）或VA（Vision Action）范式；但其核心思想与Motus相近，大同小异。

目前，Motus的代码、模型权重已全部开源（链接在文末）。

那么接下来，我们就来扒一扒这个大一统世界模型是如何实现的。

一个架构统一了五种范式

在过去，具身智能领域可以说是散装的。

因为像VLA、世界模型、视频生成、逆动力学、视频-动作联合预测等模型，很难有机地凑成一个整体。

而Motus最大的亮点，在一个框架内把这五种范式全包圆了。

大一统背后的技术，便是Mixture-of-Transformer（MoT）架构，配合Tri-model Joint Attention（三模态联合注意力）机制。

简单来说，通过这种方式，Motus相当于把三个专家攒到了一起：

• 理解专家（大脑）：基于Qwen-VL，负责看懂环境和指令；
• 视频生成专家（想象力）：基于Wan 2.2，负责推演未来画面；
• 动作专家（小脑）：负责具体的运动控制。

通过Tri-model Joint Attention，这三位专家可以在同一个注意力层里实时交换信息。

这就赋予了机器人一种很像人类的能力：不仅能看见（感知），还能在脑海里想象动作发生后的未来画面（预测），从而反过来倒推现在该做什么动作（决策）。

这正是我们刚才提到的“看—想—动”闭环。

但要训练这样一个全能模型，光在模型框架层面下功夫还是不够的——数据，也是一个老大难的问题。

因为机器人真机数据太贵、太少，而互联网上虽然有海量的视频，却只有画面，没有动作标签（Action Label）。

为了解决这个问题，Motus采取的策略便是潜动作（Latent Action）。

研究团队利用光流技术（Optical Flow），捕捉视频里像素级的运动轨迹，然后提出了一种Delta Action机制，将这些像素的变化翻译成机器人的动作趋势。

这个思路可以说是比较巧妙，就像是让机器人看武侠片学功夫。

虽然没有人手把手教（没有真机数据标签），但机器人通过观察视频里高手的动作轨迹（光流），看多了自然就懂了招式和发力方向（潜动作）。

由此，上至昂贵的真机数据，下至浩如烟海的互联网视频、人类第一视角视频（Egocentric Video），Motus全都能吃进去，从中提取通用的物理交互先验。

除此之外，基于数据金字塔和潜动作，Motus还构建了一套三阶段训练流程，逐步将通用的物理动力学常识“蒸馏”为精确的机器人控制能力：

• 视频生成预训练。利用多机器人轨迹和人类操作视频来微调视频生成专家，使其能根据条件帧和语言指令生成合理的机器人操作视频。
• 潜动作预训练。在冻结VLM的情况下，用视频、语言和潜动作同时预训练三个专家，将通用的运动先验充分地注入Motus中。
• 特定本体微调。利用目标机器人的真机数据对Motus进行整体微调，将模型适应到特定场景下的下游任务，例如RoboTwin仿真和真机机械臂抓取。

Scaling Law在物理世界跑通了

研究的实验结果表明：Scaling Law在物理世界里，真的跑通了。

在仿真榜单RoboTwin 2.0上，在50个通用任务中，Motus的平均成功率达到了88%：

特别是在高难度的Stack Bowls Three（叠三个碗） 任务中，稍微一点误差就会导致碗塔倒塌。此前的基线模型在这个任务上的成功率不到16%，可以说是“帕金森级手抖”。

而Motus的成功率直接飙升至95%！

但比单点成绩更让人惊艳的，是下面这张Scaling Curves（扩展曲线）。

△上图为数据量Scaling，下图为任务数量Scaling。红色为Motus，蓝色为Pi-0.5

随着训练任务数量的增加（横轴），蓝色的线（Pi-0.5）呈现下降趋势。这意味着传统的模型架构在面对多任务时，容易发生过拟合，学了新的忘了旧的。

而红色的线（Motus）则是一路持续上升。

这证明了：只要模型架构足够统一、数据来源足够杂，具身智能完全可以像LLM一样，涌现出跨任务的通用泛化能力。

这也正是GPT-2当年带给NLP领域的震撼——Language Models are Unsupervised Multitask Learners。现在，Motus在具身智能领域复刻了这一奇迹。

在真机测试中，无论是AC-One还是Agilex-Aloha-2机械臂，Motus都表现出了较好的适应性。

△左：AC-One；右：Agilex-Aloha-2

数据显示，Motus的数据效率比对手提升了13.55倍。也就是说，达到同样的水平，Motus只需要别人十几分之一的数据量。

清华研究生领衔

最后，让我们把目光投向这个大一统世界模型背后的团队。

Motus由生数科技联合清华大学发布，而共同领衔的一作，是两位非常年轻的清华学生：

• 毕弘喆（Hongzhe Bi）：清华大学计算机系TSAIL实验室二年级硕士生。他的研究方向就是具身智能基础模型，此前还是CVPR2025 RoboTwin双臂机器人竞赛真机赛冠军。
• 谭恒楷（Hengkai Tan）：清华大学计算机系TSAIL实验室三年级博士生。主攻视频世界模型和具身大模型，曾获NOI银牌，在RDT、Vidar等多个重要项目中都有他的身影。

此外，团队成员还包括谢盛昊、王泽远、黄舒翮、刘海天等，均来自清华TSAIL实验室（朱军教授课题组）。

而作为联合发布方的生数科技，这次开源Motus，也暴露了其在世界模型上的布局。

熟悉生数科技的朋友都知道，他们刚完成新一轮融资，而且一直坚持视频大模型是通往AGI的核心路径。

在生数看来，视频天然承载了真实世界的物理时空、因果逻辑与动态演变。Motus的出现，正是这一战略的重要拼图。

它标志着机器人从“机械执行”向“端到端智能”的跨越，也推动了整个行业从单点突破走向统一基座。

产学研协作在这里发挥了巨大的化学反应：生数在多模态大模型上的深厚积累，加上清华团队的顶尖算法能力，才催生出了Motus这个大一统的世界模型。

Motus于25年12月就全部开源并发布论文，早于行业2个月，而最近火热的基于视频模型的具身智能路线，生数科技与清华大学在2025年7月份就已经发表Vidar具身视频模型，领先于行业半年之久。

目前，Motus已经全量开源。

感兴趣的小伙伴可以围观一下啦~

论文地址：
https://arxiv.org/abs/2512.13030

项目地址：
https://motus-robotics.github.io/motus

开源仓库：
https://github.com/thu-ml/Motus

模型权重：
https://huggingface.co/motus-robotics