从 L1 到 L5,技发究成界模
L2:与世界交互(Interactive World)
在生成能力之上,布最模型不再只控制单个智能体,新研型级”朱军强调,果提长期规划和复杂协同能力。出通
Motus 和 Motubrain 标志着生数科技从视频生成进一步走向物理行动。用世生数科技的发展世界动作模型 Motubrain 正是基于这一架构,模型自主性持续提升的生数科过程。视频、技发究成界模
面向 L4、布最没有对世界演化规律的新研型级学习和预测,过去几年,果提完成更复杂的出通任务分配与多智能体协作。并系统阐述通用世界模型的用世五级发展路线。Motubrain 的推理速度提升约 10 倍,为更高阶的自主世界智能体奠定基础。
继续迈向 L4 和 L5,模型还需要进一步走向自主决策,因此,世界机器人大会分论坛“具身智能大模型的进化之路:从技术分级到产业落地”在北人亦创国际会展中心举行。则进一步将环境理解、会从最初的不协调逐渐变得稳定、仍然离不开大模型的三个基本要素:数据、迈向通用具身智能的重要基础。生数科技推出视频生成大模型 Vidu,模型蒸馏和高效注意力机制,适配新的机器人本体时,但实时交互和机器人控制必须在环境发生变化之前完成预测和决策。让模型能够根据外部输入动态演化世界。使环境理解、进一步提升稳定性、未来预测和动作生成需要真正统一起来,在世界中行动三个层级,却能更直接地建立任务、动作与物理结果之间的联系。形成了一个关于世界如何运行的“内部模型”。L1 至 L3 已经形成较为具体的技术实践,并以共享注意力实现跨模态信息交互,持续影响接下来发生的内容,并根据真实反馈持续修正。成本更高,千寻智能等近十种本体上完成验证,并从真实反馈中不断学习和进化的通用基座。世界状态预测和动作轨迹生成统一到同一个模型中,”
L4:自主世界智能体(Autonomous World Agent)
具备真实行动能力之后,还需要突破六项关键挑战:
围绕这一方向,在明确约束下自主行动,生数科技的研发与落地实践已经覆盖其中前三个层级。
相较 Motus,语音或控制信号持续改变后续内容,带动作记录的人类示范,MoT(Mixture-of-Transformers)通过为不同模态配置专属参数,从“一次生成”走向“持续互动”。与世界交互、可控性与时空一致性;世界动作模型则需要在更复杂、为进一步理解和预测世界奠定基础。此时,仅需 50 至 100 条人类示范数据。
通用世界模型如何进化?五级路线图明确进阶方向
从通用基座模型的目标出发,
当理解、预测与行动统一建模,让模型不仅能判断世界发生了什么,数字智能体、泛化能力与执行效率。同时提升异构数据的利用效率和跨任务迁移能力。提出通用世界模型五级发展路线" border="0" style="" src="https://static.leiphone.com/uploads/new/images/20260824//6a8c17dc5d58b.jpg?imageMogr2/quality/90"/>
数据、逐步扩展到特定领域视频、而是能够统筹机器人、而是一个能够理解世界、并进入下一轮理解、也不是这些能力的割裂片段或简单线性串联,它们并不是彼此割裂的产品方向,训练基础设施、但距离更高阶的世界智能仍有差距。纠正动作和恢复过程都包含有效的学习信号,
L3:在世界中行动(Actionable World)
再往前一步,机器人动作模型或策略模型,但行业对“什么样的世界模型才称得上通用”仍缺少共识。预测未来并采取行动的通用基座模型。目前,能够帮助机器人学习如何从失败中恢复。通用世界模型可以划分为五个逐级演进的层级。还会改变环境、Motus 于 2025 年 12 月发布并全面开源;2026 年 4 月发布的 Motubrain,离线视频生成可以容忍一定等待时间,连续的交互;没有真实行动带来的环境反馈,是让模型学会生成连贯的世界演化过程。在 RoboTwin 2.0 基准测试中,空间关系和时序变化,预测和决策。视频模型仍需持续提升生成质量、
通用世界模型同样需要三项彼此关联的能力:
“通用世界模型不是单一的生成器、
L5:世界组织者(World Orchestrator)
在更高层级上,准确。都是通用世界模型走向实际应用的重要支撑。推理加速、行动不仅是模型的输出,覆盖面越广;越靠近顶层,并根据语言、Motubrain 已在包括银河通用、预测不同行动的后果、展现出在长程任务、其重要原因,而是随着对世界的理解不断加深、预测与行动真正形成闭环,其成绩达到 96.1 分,L5,模型开始从数字世界进入物理世界。能够围绕长期目标主动感知环境、还需突破六项关键挑战
目前,定义通用世界模型
世界模型已经延伸到视频生成、
博客链接:https://www.shengshu.com/zh/general-world-model/
语言和机器人动作等不同模态信息。持续学习和长期记忆等能力,合成数据可以贯穿金字塔的每一层。而是三种能力耦合在一起的闭环反馈系统。就难以形成稳定、生数科技创始人兼首席科学家、
在架构层面,发布团队最新研究成果,
越靠近底层,能力层层递进。世界状态预测与动作生成能够在同一模型中协同完成。而会成为连接数字世界与物理世界、不只是服务于某个任务或场景的专用模型,
在数据方面,模拟器、
算力则同时影响大规模预训练和实时部署。“不完美数据”同样具有重要价值:失败尝试、工具及其他资源,星尘智能、环境模拟、
朱军表示:“从大模型发展的视角来看,
8 月 19 日下午,更长远的目标,还能直接生成机器人可执行的动作,用户可以通过语音实时介入生成过程,机器人决策和动作控制等方向,更开放的真实环境中,打破传统分模块方案的能力割裂,数据规模越大、

从第一性原理出发,通过持续提升视频质量、以及真实机器人交互数据。人类、探索未知状态并持续规划行动。位居榜首。拆解任务、同时,运动、将理解、
2024 年,环境理解、架构与算力:构建通用世界模型的三大要素
要想构建通用世界模型,模型开始接收实时输入,我们希望构建的,生数科技将持续强化世界生成、它帮助模型学习对象、也很难进一步发展出自主学习、通用世界模型需要统一处理图像、视频正是这一阶段最典型的载体,推动通用世界模型从“视觉推演”迈向“物理决策”。
2026 年 7 月发布的 Vidu S1 将这一能力推进到实时交互阶段。与世界的交互不断增强,

L1:世界生成(World Generation)
第一步,
人在学习骑自行车或开车时,
文章推荐: