刚刚,国产AI双冠王!黑马世界模型打破全球纪录,一镜到底封神

刹客网络科技资讯

点击右侧关注，最新科技资讯！

就在刚刚，世界模型圈又闯出一匹黑马！

悄无声息地，它就拿下了两个世界第一。

在WorldArena中，总体EWM Score达到63.77，排名第一（截至本月中旬左右）。

在RoboTwin2.0的Clean和Randomized两个场景下，它分别拿下了95.8和96.1，同样排名第一。

而且，它是百分百的零宣发。

这些荣誉，属于同一个模型——MotuBrain。

它出现得极其反常：没有Logo、没有发布会、没有融资稿，连X账号都是新注册的。

就这么一声不响地，同时爬上了两个国际权威榜单的顶端。

更离谱的是，这两个榜单彼此根本不挨着——一个考「你能不能真正看懂世界」，一个考「你能不能在世界里稳定干活」。

过去几年，行业把它们叫作「两个极点」：做世界模型的看得懂、动不了；做VLA的能动手、想不远。

同时拿下两个第一，业内前所未有。

具身圈猜测刷屏：这是阿里「快乐生蚝」翻版？字节憋的大招？或者华为的暗手？还是李飞飞World Labs的中国分舵？

直到谜底揭开，所有人都没想到——国产生成式AI公司生数科技。

而且他们没有止步与此，现在已经把world action model适配多个头部机器人本体，应对多种任务、建模多个长程任务。

这是工业级的demo，和其他的刷榜模型绝对不一样。

事情得从去年12月说起。

那时候，生数科技联合清华大学开源了一款叫Motus的大一统世界模型。

论文链接：https://arxiv.org/abs/2512.13030

项目主页：https://motus-robotics.github.io/motus

Motubrain官网：https://www.shengshu.com/zh/motubrain

才刚刚发布，Motus就已经在圈内小小震动了一下。

因为它在架构上把五种本来彼此割裂的具身智能范式，拧成了一个「看-想-动」的闭环：

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。

这种统一世界-动作建模，通过一个模型统一建模视频「video」与动作「action」，使之前彼此割裂的5种方法都成为同一建模框架下的不同推理模式。

与以往方法不同，Motus联合建模「视频」和「动作」，学到的不再是机械反应，而是任务目标、环境变化、以及动作会带来什么后果这三者之间的深层世界知识。这让它更能适应新环境和新任务。

Motus引入「潜动作」机制，能从无标签的互联网视频、人类操作视频中提取通用的「运动规律」。

潜动作变分自编码器 (Latent Action VAE)。 这是一种基于光流的表征方式，通过变分自编码器架构将视觉动力学（visual dynamics）与控制信号相衔接

这让它可以利用近乎无限的海量数据来预训练，极大丰富了先验知识。

具身数据金字塔。 展示了从互联网数据（第一层）到目标机器人演示数据（第六层）的六级数据层级结构，其任务相关性和数据质量随层级逐级提升。

基于「专家混合」，Motus引入了混合Transformer (Mixture-of-Transformer, MoT) 架构，巧妙融合了视频生成、语义理解、动作生成三个已有的高性能基座模型。

这相当于让模型同时拥有了「想象力」、「理解力」和「执行力」。

Motus表现出了正向的规模效应，即学习的任务越多、数据越丰富，模型掌握的可迁移世界知识就越多，在新任务上的平均成功率反而越高。

这是它学到了通用规律而非死记硬背的有力证据。

在50项通用任务测试中，Motus的平均成功率高达88%，在当时的RoboTwin2.0上直接霸榜。

但Motus还是起点，MotuBrain才是它进化后的「完全体」——

一个面向真实世界的通用世界行动模型(World Action Model，WAM)，具备多本体、多任务、长程执行能力。

在Motus的基础上，MotuBrain更上了一层楼。

• 视觉统一：支持任意数量/任意视角的视觉建模，不再依赖固定的相机配置。

• 语言融合：独立的语言理解通路直达底层控制，让指令遵循直接融入动作生成。

• 本体泛化：统一的动作表征打通不同机器人本体，学到的是可迁移的行动规律。

• 长程执行：自回归＋扩散与语言-动作-视频三流MoT，直接用超过10个原子动作的长序列完成任务，摆脱对上层任务拆解的完全依赖。

• 实时推理：超大参数规模的具身基座模型通过云边端协同实现实时闭环控制。

简单说：Motus证明了「路走得通」，MotuBrain证明了「我已经在这条路上跑出了世界第一」。

在Motus的基础上，MotuBrain作为商用模型版本，进一步面向真实机器人场景完成系统升级，将World Action Models从技术验证推向更通用、更可落地的具身智能大脑。

为什么这件事让具身圈如此震动？因为在过去一年里，这条赛道挤满了顶级玩家。

大家都在抢同一个高地：怎么把「预测世界」和「驱动行动」放进同一个大脑。

结果，生数科技抢先做到了。

下面的demo，详细展示了全球第一的世界模型已经进化到了多么强大的地步，全部任务一镜到底。

装上MotuBrain的机器人给我们演示了一把这个操作：把花插入花瓶中，然后开始用喷壶喷洒清水。

这个操作难度在哪里？

传统机器人方案通常需要一个昂贵的「上层大脑（VLM）」负责拆解指令，再由底层驱动去执行，这种「拼凑感」往往导致动作断档。

而MotuBrain实现了一脑贯通：它无需额外视觉语言模型的辅助，仅凭自身即可直接建模复杂的长程任务，让「从插花到浇水」的逻辑转换如同人类本能般丝滑。

另一位机器人，则在插花机器人的身后整理沙发。

它先将沙发上的衣物放入洗衣篮，然后将靠枕摆回原位，过程中还要弯腰捡东西，这都体现了全身动作的协调性。

接下来，还有更上难度的操作！

只见机器人大厨从锅中舀出了一份丸子放入碗中，同时还倒了一杯果汁。

这个过程人做起来很容易，但对机器人来说，要克服一系列难关。

对人类而言，勺子没捞到东西就再试一次是常识；但对机器人，这涉及极其复杂的闭环感知。

比如，它需要理解当前勺子的空的，通过物理推演意识到「目标未达成」，然后还要预测自己需要重新执行捞取动作。

甚至，机器人的左右手还要同时执行不同的任务。

这种「一脑预见」能力，本质上是机器人对真实物理世界的深度建模——它不仅在看，更在预测物理世界的走向，并以此驱动行动。

下面这个调酒机器人，使用了基酒和牛奶调制了一杯鸡尾酒，然后娴熟地放在了托盘上，这是一个极其复杂的长程任务。

另外，机器人还能整理洗漱台。只见它将牙刷准确地放入杯中，还把肥皂放回原位。

这些操作对于很多机器人来说，都难度很大。

液体流变、精细抓取，包括叠衣服过程中的织物形变……每一个动作背后的物理反馈逻辑迥然不同。

以往，业内需要为每个场景单独训练模型，但MotuBrain却展示出了卓越的「一脑多能」能力，只要一个模型，就可以应对多种任务。

更令人惊喜的是，MotuBrain还能做到一脑多型，一个模型就能适配不同的机器人。

这意味着它不是某个特定硬件的专属，而是一个通用的「数字灵魂」。

同一个模型，可以瞬间适配各种形态、各种自由度的机器人硬件，让AGI真正走入现实物理世界。

让我们认真看看这两个榜单的含金量。

这个榜单测的是「机器人对真实物理世界的理解到不到位」。

MotuBrain在这里拿下63.77的EWM Score，排名第一，超过了国内外的同类模型。

更值得玩味的是它领跑的几个细分维度：

• Motion Quality第一——动作真的「在动」，绝非看起来像动的视觉特效

• Flow Score第一——前一秒和后一秒能丝滑衔接，而非逐帧拼接的PPT

• Motion Smoothness第一——动作符合真实物理规律，不会突然抖一下、突然加速

这三个指标都和「运动」直接相关。

对一个未来要服务机器人的世界模型来说，这才是真本事——画面再美，机器人执行时一抖手汤就洒了，等于零。

如果说WorldArena考「理论」，RoboTwin2.0就是考「实操」。

在Clean(干净)和Randomized(随机扰动)两个场景下，MotuBrain分别拿到95.8和96.1——是榜单上唯一一个在随机环境下平均分超过95的模型。

在接近一半的具体任务里，它都达到了100或接近100的成绩。

跟谁比？JEPA-VLA、Pi-0.5——这些都是行业内大家熟悉的硬茬。

结果，MotuBrain在RoboTwin上的表现，用一个词形容就是「碾压」。

把两份成绩放在一起看，意思就很清楚了：MotuBrain既看得懂世界，又能在世界里稳定干活。

这不是单点强，而是一种系统级的、接近「通用机器人大脑」的能力特征。

过去两年，具身智能走了几条不同的路：

• VLA路线：把视觉、语言、动作塞进一个模型（如Pi系列）。

• 「先想象，再行动」：用视频模型预测未来，再指导动作。

• 「边推演边行动」：同步生成未来状态与当前动作（如Motus和英伟达DreamZero）。

各有亮点，但都有同一个天花板——局部统一。

VLA学动作模式，世界模型学预测能力，彼此拼接、对齐，终究是五个专科医生会诊。

MotuBrain走的是另一条路：真正的大一统。

它基于自研UniDiffuser架构，将视频和动作两个连续模态从底层统一建模。

一次训练，同时学会五种能力：VLA、世界模型、视频生成、逆动力学、视频-动作联合预测。

正因为大一统，MotuBrain能吸收多模态异构数据——课本、视频、生活观察、跨学科交流。而VLA只能从特定机器人的纯任务轨迹里学习。长期看，差距是数量级的。

通过MoT架构，MotuBrain融合了视觉、语言、动作三种模态。

VLA只有「静态理解」，看到一个杯子，知道「这是杯子」。

MotuBrain还能预判：「如果我推它一下，它会怎么倒、汤会怎么洒。」

很多机器人模型没法同时做多个任务。

任务一多，成功率就容易下降。

MotuBrain 的目标是让同一个模型处理更多任务。

更重要的是，随着任务数量增加，模型在不同任务之间学习共享的世界知识。

比如抓取、移动、放置、组合、连续操作，看起来是不同任务。但背后都有共同规律：物体会受力，动作有先后，而且环境会变化，错误需要调整。

这些规律被模型学到之后，就能迁移到新任务里。

这就是多任务泛化能力。

实验证明：随着任务数量增加，Pi-0.5成功率持续下降（过拟合任务轨迹），而MotuBrain成功率持续上升——这说明它学到了跨任务的通用世界知识。而且上升的曲线越陡峭，说明模型泛化性越高，这是 MotuBrain 相比Motus的进一步跨越。

现实世界里，机器人有很多形态，比如双臂机器人、移动机器人、人形机器人、机械臂。

它们的身体结构不同，动作格式也不同。

然而，传统方法常常是「一个机器人，一个模型」。换了本体，就要重新适配；换了硬件，又要重新训练。

MotuBrain，就是想要打破这个模式。

它通过统一action表征，把不同机器人本体的动作数据放进同一个框架里学习。

这样，模型学到的就不只是某一台机器人的动作格式，而是更通用的行动规律。

生态里的机器人种类越多，场景越丰富，数据越多，模型能力还可以继续提升。反过来，模型能力提升后，又能帮助更多机器人提升表现。这会形成一个正循环。

不过，在现实世界中，真实任务很少只有一步。

机器人要做的不仅仅是「拿起杯子」，它可能要先找到杯子—>再避开障碍—>再抓起杯子—>再移动到指定位置—>最后放稳。

这是一条完整的任务链。

传统方法往往需要上层规划器先拆任务，再让不同模型分别执行，但任务越长，中间出错的概率越高。

MotuBrain的特点就是，可以直接学习完整任务链路。

它不完全依赖上层规划、快慢双系统或多个模型拼接，可完成超过10个原子动作级别的复杂长程任务，远远超过在2到3个原子动作的Demo展示。

这一点非常关键。

因为真实机器人要服务真实世界，就必须能持续推进任务，不能做一步，停一下。

实验证明：随着数据总量增加，MotuBrain稳压Pi-0.5一头。

此外，机器人执行动作，最怕的就是只看眼前。

人类拿杯子时，会自然预判：手碰到杯子后，杯子会不会滑？桌面有没有水？杯子会不会被推倒？旁边有没有障碍物？

这些判断，决定了动作是否稳定。

而MotuBrain的目标，就是让模型具备类似的预见能力。

它不只是执行指令，还要理解世界。它会预测环境变化，再根据预测结果调整动作路径。

所以，它的能力可以总结成一句话：预测世界，也驱动行动。

理解MotuBrain，光看技术参数还不够。它背后是生数科技整个通用世界模型战略的一块重要拼图。

去年三月，生数科技创始人朱军教授，抛出了一个大判断：「通用世界模型是连接数字世界与物理世界的桥梁。」

这句话不是空话。

它对应的是生数科技正在搭建的一个完整体系——以通用世界模型(Foundation World Model)为核心底层，基于全球首创的U-ViT架构(早于Sora的DiT架构)，不断积累视觉、听觉、触觉等多模态信息，形成对世界的统一认知。

在这个底座之上，生数科技走出了两条腿。

数字空间：Vidu——在屏幕里「生成世界」

基于世界生成模型(WGM)，生数科技打造了视频大模型产品Vidu，服务全球200多个国家地区的数千万用户，合作方包括好莱坞工作室Aura Productions(用Vidu制作50集动画短剧)。

这条线解决的是「数字内容怎么被高效生成」的问题。

物理空间：Motus/MotuBrain——在现实里「行动于世界」

基于世界行动模型(WAM)，生数科技构建了Motus和MotuBrain，目标是给真实世界的机器人安上一个统一的大脑，解决传统具身智能链路割裂、数据稀缺、泛化能力弱的痛点，实现真实世界下的零样本泛化与跨本体适配。

两条线一加，生数科技形成了一个完整的闭环——预测世界、生成世界、行动于世界。

MotuBrain双榜第一，只是这个战略图谱里的一次「亮剑」，证明物理空间这条线已经走通了。

最近，生数科技在产业侧也动作不断。先后与无界动力、深朴智能、星尘智能达成战略合作，把MotuBrain从「实验室SOTA」推进到「机器人本体适配+真实场景落地」。

总之，MotuBrain回答的是「通用机器人大脑能不能成立」，而生态合作回答的是「这个大脑怎么真正进入工厂、家庭、商业场景」。

过去几年，机器人产业一直在比拼「身体」——电机更精准、传感器更丰富、整机成本更低。

但真正卡住所有人的，一直是大脑。

资本已经率先用真金白银投出了答案：近一年具身智能的大额融资，几乎都砸向了「做大脑」的公司。

这是一场关于下一代「机器人操作系统」入口的卡位战，谁先建立起world+action的统一架构，谁就拿到了未来十年的船票。

MotuBrain的双榜第一，更像是给整个行业递交了一份证据：通用机器人大脑这件事，中国团队已经走在了第一梯队。

更让人感慨的是这股力量的来源——生数科技，在没有动用什么「营销大招」的情况下，用代码和数据正面把硅谷标杆Pi-0.5撂倒了40个百分点。

未来的故事还很长。

当「预测世界」和「驱动行动」被装进同一颗大脑，机器人才真正配得上「具身智能」四个字。

而这件事，中国团队已经在领跑。