无界动力发布全球首个长时序双向物理因果链隐空间世界模型 MWA
无界动力MWA模型通过隐空间双向因果链和强化学习，让机器人获得物理直觉，解决长时序任务不连贯的行业痛点，并刷新RoboCasa记录。
无界动力发布全球首个长时序双向因果隐空间世界模型MWA，让机器人在隐空间（压缩特征空间）中跳过像素冗余，直接推理物理因果。传统单步推理误差会像雪球一样累积，MWA通过时序Chunk级逆向动力学一次性输出多步动作组，结合强化学习在虚拟环境中试错优化，使长周期任务成功率显著提升。该模型在RoboCasa榜单以75.2%成功率拿下全球第一，超越英伟达GR00T-N1.6。
正文摘录
在这个动作中，你的大脑不会在意杯子上的花纹，或是杯壁折射出的复杂光影，而是能瞬间抓住核心：手要出多少力，水才不会晃出来。 正是这种忽略无关的环境细节、直接洞察本质的“物理直觉”，让我们干起细活来行云流水。 但对机器人来说，想要学会这种对物理世界的因果直觉，基本属于具身智能领域的高难度悬赏题。 其正式发布了全球首个“长时序双向物理因果链”隐空间世界模型 MWA™，拓展具身智能的多元场景泛化能力，直击机器人长周期、高精度执行的行业老大难问题。 在由斯坦福大学等顶尖机构联合发起的 RoboCasa GR1 TableTop 榜单中，无界动力 MWA™ 以 75.2% 的平均任务成功率拿下全球第一，超过英伟达 GR00T-N1.6 等一众行业主流模型。 作为赛道里的新晋选手，无界动力是行业里少数坚持“隐空间世界模型 + 强化学习”技术路线的公司。 这条略显特立独行的硬核路线，不仅在技术实测上跑通了闭环，在资本市场也展现出了极强的吸金能力： 公司此前已宣布完成超 2 亿美元的天使轮融资，而紧随其后的 Pre-A 轮近 2 亿美元融资也已接近尾声，背后站着红杉中国、线性资本、京东关联基金等一众头部重仓机构。 这只既能打、又吸金的行业黑马，究竟是如何帮机器人看清物理因果、打破多场景泛化瓶颈的？ 过去几年，VLA（视觉-语言-动作）具身智能路线，虽然让机器人听懂了人类的文本指令。 但一到现场，只要光照稍微变一下、桌上的杯子挪个几厘米，机器人就会瞬间“卡壳”甚至动作变形。 它们极度依赖人类演示的模仿学习，只是在死记硬背人类演示的动作轨迹，底层根本不理解物理世界的因果关系，泛化性自然出现断崖式下跌。 人类能处理各种非标任务，靠的是大脑天然具备对物理世界的“直觉推理”。如果机器人对现实的常识认知一片空白，其策略上限就会被锁死在旧范式里。