无界动力发布隐空间世界模型 MWA，登顶 RoboCasa 榜单
无界动力发布 MWA 模型，用双向因果链在隐空间做长时序规划，解决了机器人连续动作的预测偏差累积问题。
无界动力推出全球首个长时序双向物理因果链隐空间世界模型 MWA，采用双向动力学架构，在隐空间（去掉像素细节的抽象表征空间）中让机器人学习物理因果规律，实现 10 秒以上稳定规划，并在斯坦福等发起的具身智能榜单 RoboCasa 上超越英伟达 GR00T 等模型，获得第一。
正文摘录
.jpg) 当前，Physical AI 正面临关于泛化能力的普遍质疑。当模型缺乏对真实物理规律的深度认知、难以跨越复杂多变的开放场景时，如何让机器人真正理解物理世界并精准规划决策，已成为 Embodied Intelligence 破局的关键。 今日，无界动力正式发布全球首个 “长时序双向物理因果链” 隐空间世界模型 —— MWA™（隐空间世界模型，在低维潜变量空间而非像素空间建模物理规律）具身通用大脑，采用 “双向动力学” 架构，在全程统一共享潜空间中推演，实现高能效精准表征的同时，创新性地实现了时序 Chunk 级逆向动力学建模机制，从底层范式上为机器人多场景泛化与高精度执行提供了全新解法。 同时，无界动力在由斯坦福大学等顶尖机构联合发起的具身智能权威榜单 RoboCasa GR1 TableTop 中刷新行业纪录、斩获全球第一，超越英伟达 GR00T-N1.6 等一众行业主流模型。 在这份领跑成绩的背后，是无界动力对世界模型技术路线的范式重构。  让机器人能干活的真正卡点是什么？