神秘黑马-莫刻机器人冲榜WorldArena，仅32张真武810E封神

编辑 | 泽南

机器人实验室里，这样的画面总是反复出现：屏幕上模拟的机械臂正以完美轨迹移动，但真实世界的一边，玻璃杯还待在桌面上，甚至已被夹爪打翻。

今天的机器人世界模型都面临着这样的挑战：夹爪抓不起物体，机械臂无法与环境交互，经过了遮挡之后，预测的画面就完全错了。AI 生成的未来视频每一帧都清晰自然，但内容根本不靠谱。

这种现象背后，是具身智能领域的一大悖论：人人在卷的世界模型，物理逻辑却怎么也跟不上。

一家成立不到四个月的中国初创公司「莫刻机器人」（Muka Robotics）提出了新的解决思路。他们提出的LJM（Latent Joint-conditional Model）世界模型，全程只用 32 张卡完成训练，就以匿名代号 SisyphusWorld 冲榜全球最权威的具身世界模型评测 WorldArena，拿到全球总榜第二，在 LIBERO 机器人操作基准上四项视觉指标全部刷新 SOTA。

分项结果中，LJM 达到 89.17 Motion Quality、92.60 3D Accuracy 和 85.93 Controllability，展示了模型不仅关注单帧外观，也能较好地保持运动、空间结构与动作控制的一致性。

LJM 重新定义了机器人世界模型的第一性原理：预测未来，先要在隐空间里想明白，「执行这个动作后，世界到底会发生什么」。

先理解交互，再生成预测，这可能是世界模型走向实用化的那个转折点。

为什么 99% 的生成结果对机器人没用？

下一代通用机器人的探索方向是什么？具身智能专家十有八九会告诉你是世界模型。

目前的行业共识是：VLA（视觉 - 语言 - 动作模型）擅长建立从观察到动作的反应式映射，但缺乏对物理规律（重力、摩擦、惯性）的内在理解。引入世界模型（World Model），相当于给机器人一个「内心模拟器」，能让它们在执行动作前预测环境会如何变化。

如今，具身智能领域正在走向规模化部署，能不能持续稳定工作成为了人们关注的重点。WorldArena 榜单发布不到五个月，第一名已经易主十几次，一百多个团队前赴后继刷分，看起来一片热火朝天。但绝大多数世界模型生成的结果，对真正要落地的机器人来说也难以算得上实用。

最明显的陷阱在于大家都在做「画面党」。视频扩散模型从诞生那天起，优化目标就是在像素层面衡量生成的画面和真实图像不像，这从根上决定了它会优先拟合占画面绝大多数像素的内容：物体纹理的细腻、环境光照的反射、机器人运动的平滑…… 而具身智能需要关注的是真实世界中的物理交互：夹爪和物体接触的那十几个像素、物体被抓起时的微小形变、碰撞瞬间的状态变化，这些内容在整段视频里可能连 1% 的像素都不到。

为了把整体损失降到最低，世界模型会毫不犹豫地牺牲 1% 的物理正确性，去换 99% 的画面美观。这样，优化目标从一开始就跑偏了。最直观的证据就是 WorldArena 的公开分数：有电影级画面生成能力通用视频模型 Wan2.2 拿到了 62.35 分，CogVideoX 62.71 分，和榜单头部 73 分左右的机器人专用模型有着断层差距。

更深一层的误区在于「动作注入」。大家的默认思路是使用通用视频模型，再接入机器人的动作信号。于是有人用线性投影把动作向量接到输入层，用 FiLM 和 AdaLN 把动作做成调制参数，有人用 cross-attention 让模型去「注意」动作。这种构建思路的本质，是把动作当成了一串没有意义的低维数值信号，扔给模型自己去悟。

然而，动作的物理含义从来没有写在数值里。脱离了场景、接触状态、任务目标去谈动作，就像脱离了语境去谈一个字的含义，模型无法真正读懂，那么它思考出的动作自然也难以合理。

最后是世界模型都逃不开的记忆问题。如果世界模型的生成「转头就忘」，对于机器人的操作规划可能影响巨大。

这三个问题并不能靠 Scaling Laws 大力出奇迹的方法来解决，也不是工程能够补上的窟窿。当整个行业都在为「怎么把通用视频模型改成机器人能用的样子」而发愁的时候，很少有人停下来问一个最根本的问题：机器人真正需要的世界模型，应该是什么样子？

LJM 的思路先把「交互」想明白

LJM 最大的改进，在于它重新拆分了世界模型的工作流，把「想清楚会发生什么」和「把结果画出来」这两件事，交给两个专门的专家各司其职。

该研究团队提出一套「双脑协作」的架构，这很像人们在开车时的工作模式：你的前额叶皮层负责推演预判，前面那辆车打了转向灯要变道，我得松油门减速；而你的视觉皮层负责处理眼前的画面、识别车道线和交通标志，大脑内部的分工明确。

LJM 也把模型拆成了两个互相配合的专家。一个是推理专家（latent reasoning expert），基于 Qwen3-VL-2B 改造，它的工作是在连续隐空间里推演剧本 —— 给定人类的语言指令、过去看到的视觉历史、接下来要执行的一整串动作，先在隐空间里把整个交互过程推演清楚 —— 机械臂接下来会移动到哪个坐标，第几帧会和物体发生接触，夹爪闭合后物体会不会被抓起，之后会被移动到什么位置；第二个是世界建模专家（world modeling expert），基于 Wan2.2-TI2V-5B 视频扩散模型改造，它需要把推理专家已经想明白的交互「剧本」渲染成一帧帧流畅真实的未来视频。

从「先生成再理解」到「先理解再生成」的变化，把之前世界模型的底层矛盾解开了。

LJM 整体架构与 CoT latent 构造。左侧展示双专家通过 shared attention 联合建模，右侧展示未来本体状态、光流与视觉 latent 的交错监督。

但仅有双段式架构还不够，LJM 还给隐空间里的每一个推理 token 都绑上了明确、可计算的物理目标。具体来说，推理专家输出的每一组 token，都必须同时对三个维度的未来负责：要精确预测未来每一步机械臂末端的三维位置（本体状态），未来场景中物体的视觉状态变化（视觉动态），未来画面里每个像素的运动方向（预计算的光流）。

这三个目标全部可以从真实训练数据中直接提取，精确到帧数、具体位置、运动的方向、幅度和具体速度等信息数字上，从训练机制上就杜绝了模型「想当然」，每步推理都对真实的物理结果负责。

两个专家之间的通信方式，是 LJM 另一个容易被忽略的核心设计。之前的双模块方案，大多是推理模块把结果算出来一次性扔给生成模块，LJM 则通过Mixture-of-Transformers（MoT）共享注意力机制，让两个大脑在 Transformer 的每一层都能双向对话：推理 token 和视频 token 被映射到同一个注意力空间中，每计算一层注意力，视频 token 就能拿到最新的推理约束，推理 token 也能看到生成到一半的视频状态，随时调整推演结果，全程信息互通。同时，原始的低维动作信号也没有被丢掉，而是保留了两条直接通路控制生成模型：一条作为 cross-attention 的上下文，一条作为 AdaLN 调制参数。

这就形成了一套完整的双路控制系统：原始动作提供毫米级的精确数值约束（移动多少厘米、夹爪张开多少毫米），推理隐变量提供高层的物理解释（当前是在自由移动、还是在对齐位置、还是在执行抓取），二者结合，打通了从控制数值到动作物理语义，再到真实视觉结果的完整通路，从机制上避免了「动作数值对了，但物理结果错了」的问题。

还有解决记忆问题的价值驱动时序条件（VTC）机制。LJM 使用算法挑选最有价值的历史帧，提升了覆盖的场景状态范围，从而增加了机器人评估、预测的准确性。

VTC 对长时状态一致性的影响。 上、中、下三行分别为真实未来（GT）、不使用 VTC（No VTC）和使用 VTC（VTC）的生成结果，上方数字表示相对帧数。缺少关键历史信息时，模型难以稳定维护交互后的物体状态，容易出现物体消失或重复⽣成；引入 VTC 后，物体的数量与空间关系均更接近真实未来。

从双专家的架构职责拆分，到给推理装上物理监督，逐层双向通信，再到记忆机制，最终，世界模型获得了正确理解物理交互，能够预测未来画面的能力，给机器人的动作规划打下了基础。

除 WorldArena 外，该工作进一步基于知名机器人操作基准 LIBERO 进行了评估，LJM 在 PSNR、SSIM、FVD 和 LPIPS 四项指标上均取得最优结果，全面超越对比方法。

实验结果进一步说明，强大的视频先验并不等于机器人世界模型。只有当动作被解释为与语言、场景和未来状态共同定义的交互变量时，视频生成骨干才能真正转化为可控的机器人动态模型。

成立不到四个月冲榜全球第二

拿下 WorldArena 榜单第二名，仅与头名相差 0.58 分的莫刻机器人，是一家成立刚满三个月的初创公司。

本月，莫刻机器人联合创始人兼 CEO、香港科技大学博士池晓威在 WAIC 上聊了聊「世界模型如何赋能具身智能」。他表示，世界模型可通过生成训练数据、充当强化学习环境、学习物理表征三类路径赋能具身策略学习。这三种路径要求世界模型对状态的预测具备物理真实性。

这也决定了莫刻机器人在刚刚成立时，首先寻求解决的是让机器人理解世界这个瓶颈问题。

值得一提的是，LJM 从预训练到微调的全流程都跑在阿里云真武 810E 上，团队从写第一行代码开始，就同步做了分布式训练优化和国产算力适配，这也为未来的工程化与技术落地打好了基础。

LJM 的出现或许标志着具身智能行业正在跨过一个关键的临界点：我们终于开始走向「理解真正的物理因果」，AI 模型开始学习物理世界的运行逻辑。

当世界模型能够准确预测每一个动作的后果，有望为弥合机器人领域长期以来的 sim2real 鸿沟提供新的路径，未来的机器人可以在世界模型里预演几百万次，把所有可能的错误都犯一遍，再安全地部署到真机上。

到那个时候，准备好了的机器人，才会走进每个需要它们的真实场景。