跨维智能发布 UNITAS：以 3D 原生世界模型统一机器人感知与动作
UNITAS 让机器人直接在三维物理空间里学习和预测，而不是从二维图像反推三维，参数更小却在多个操作基准上领先。
大语言模型靠文本这一统一空间实现 scale，具身智能的统一空间可能是什么？跨维智能的 UNITAS 把观测、动作和场景变化都放进同一个三维物理坐标系，用点的位置与轨迹描述。1.7B 参数在 LIBERO 上拿到 99.8% 平均成功率，真机任务平均成功率 85%。
正文摘录
.jpg) 大语言模型为什么能 scale？一个重要基础是，海量来源各异的知识，被统一进了同一种输入输出空间 —— 文本。输入是文本，输出也是文本，主干模型在这个统一空间中学习、组合与迁移知识。那么，具身智能要获得类似的泛化能力， 通往 Physical AGI，它的 “原生统一空间” 是什么？ 今天的具身智能，感知、动作与世界变化往往采用不同的表示方式：从输入图像到不同本体的动作表征，再到世界变化，一直在不同的特征空间里来回 “翻译”，不同的相机参数、不同的本体本质上还具有不同的映射关系。同一个推杯子的动作，换个相机视角，像素变化就会不同；相同的像素位移，也未必对应相同的物理距离。模型的能力， 被消耗在了 “翻译” 而不是 “理解” 上 。 跨维智能（DexForce）最新论文 UNITAS （A 3D-Native World Action Model for Embodied Manipulation）给出的回答是： 三维物理世界本身 。它将机器人看见什么、自己怎么动、世界因此怎么变化，统一放进同一个三维物理表示空间，用点的位置与随时间变化的轨迹，在统一的输入输出三维空间里描述观察、动作和环境响应。 就像文本为大模型提供了共同的输入输出空间，UNITAS 尝试让 Physical AI 的输入输出，都生长在统一的三维物理空间里。