允中 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

VLA模型性能暴漲300%，背后訓(xùn)練數(shù)據(jù)還首次實現(xiàn)90%由世界模型生成。

這是來自國產(chǎn)世界模型玩家的最新突破，相關(guān)模型代碼和訓(xùn)練框架還全都開源了。

具身智能邁向開放世界落地的最大瓶頸，長期以來并非算法本身，而是高質(zhì)量、大規(guī)模真實機器人交互數(shù)據(jù)的極度稀缺。

真機數(shù)據(jù)采集成本高昂、周期漫長，且難以覆蓋多樣化的開放場景，嚴重限制了VLA大模型的規(guī)?；?xùn)練與泛化能力。而傳統(tǒng)仿真雖能快速生成數(shù)據(jù)，卻受限于顯著的Sim-to-Real gap，難以支撐真實世界的魯棒部署。

世界模型（World Model）被認為是破解這一困境的關(guān)鍵：通過學(xué)習(xí)真實世界的規(guī)律，世界模型可以生成高保真、可控、多樣化的具身交互數(shù)據(jù)，突破真機數(shù)據(jù)不足的限制。

在此背景下，剛剛獲得華為投資的國產(chǎn)世界模型公司極佳視界發(fā)布并開源具身世界模型GigaWorld-0，成功將世界模型生成數(shù)據(jù)在VLA訓(xùn)練中的占比提升至90%。

所訓(xùn)練的VLA模型在新紋理（訓(xùn)練中未見材質(zhì)表面）、新視角（訓(xùn)練中未見的觀測角度）、新物體位置（訓(xùn)練中未見的空間布局）三大泛化維度上均實現(xiàn)近300%的性能提升，標志著具身智能正式邁入“數(shù)據(jù)高效、高泛化、低成本”的新階段。

作為具身智能邁向規(guī)?；c數(shù)據(jù)高效的關(guān)鍵基礎(chǔ)設(shè)施，GigaWorld-0由兩大協(xié)同組件構(gòu)成：

• GigaWorld-0-Video基于視頻生成基座模型，生成紋理豐富、視覺逼真具身操作數(shù)據(jù)；
• GigaWorld-0-3D則融合3D生成、3D Gaussian Splatting重建、可微分物理引擎，確保生成數(shù)據(jù)在幾何結(jié)構(gòu)與物理動力學(xué)的準確性。

高效的世界模型架構(gòu)

針對當前世界模型在生成時面臨的計算效率低、細節(jié)控制不足等挑戰(zhàn)，GigaWorld-0-Video重點提升了稀疏注意力建模能力與動態(tài)專家計算能力，在保持視覺保真度的同時顯著降低計算開銷，為VLA模型提供高質(zhì)量、可擴展的合成訓(xùn)練數(shù)據(jù)。

稀疏注意力機制：高效建模長程時空依賴

GigaWorld-0-Video采用基于稀疏注意力的Diffusion Transformer（DiT）作為生成主干，摒棄傳統(tǒng)全注意力帶來的平方級計算復(fù)雜度。

該機制僅在局部時空鄰域與關(guān)鍵語義區(qū)域間建立注意力連接，從而在生成高幀率、長序列視頻時，顯著降低內(nèi)存占用與推理延遲。

MoE架構(gòu)：提升生成多樣性與可控性

在DiT的前饋網(wǎng)絡(luò)模塊中，GigaWorld-0-Video參考DeepSeek V3集成混合專家（Mixture-of-Experts，MoE）架構(gòu)。

每個視頻Token動態(tài)路由至多個專家網(wǎng)絡(luò)。確保不同語義區(qū)域由專屬專家處理，實現(xiàn)細粒度的內(nèi)容控制。

幾何一致、物理準確的世界模型建模

GigaWorld-0-3D通過融合生成與重建技術(shù)，顯著提升了在稀疏觀測條件下的場景建模能力，并結(jié)合可微分物理引擎，實現(xiàn)了對機械臂操作過程的高保真物理仿真。

該系統(tǒng)不僅生成幾何一致、視覺逼真的靜態(tài)背景資產(chǎn)，還精準復(fù)現(xiàn)了機械臂與物體交互中的動力學(xué)行為，為具身智能體提供兼具幾何一致性與物理準確性的訓(xùn)練數(shù)據(jù)。

生成式重建：幾何一致性與視覺保真度的協(xié)同優(yōu)化

在幾何一致性渲染方面，GigaWorld-0-3D融合極佳視界積淀的生成式重建技術(shù)，有效突破稀疏觀測下的建模瓶頸。

系統(tǒng)首先基于稀疏輸入視圖，初始化高斯場景表示。隨后引入專用的視圖修復(fù)生成模型，顯著緩解因視角缺失導(dǎo)致的幾何扭曲。最終，將修復(fù)后稠密、一致的多視角圖像作為增強輸入，驅(qū)動第二階段的高精度3DGS重建，從而在新視角合成中同時保障幾何一致性與視覺保真度。

可微分物理引擎：高效精準的物理建模

在物理準確性建模方面，GigaWorld-0-3D引入基于物理信息神經(jīng)網(wǎng)絡(luò)（PINNs）的可微分物理引擎，實現(xiàn)對機械臂動力學(xué)的自動參數(shù)辨識。

通過三步流程：以隨機物理參數(shù)生成仿真軌跡、訓(xùn)練可微替代模型逼近系統(tǒng)動力學(xué)、再以梯度下降優(yōu)化參數(shù)匹配真實運動，高效生成物理合理、交互可信的數(shù)據(jù)。

高效世界模型訓(xùn)練框架

GigaWorld-0是業(yè)內(nèi)首個采用FP8精度端到端訓(xùn)練的世界模型，標志著世界模型訓(xùn)練邁入高能效新階段。

通過將FP8與稀疏注意力深度結(jié)合，GigaWorld-0在保持生成質(zhì)量的同時，顯著降低顯存占用與訓(xùn)練成本，實現(xiàn)了視覺保真度與計算效率的最佳平衡。

為這一突破提供基礎(chǔ)的，是極佳視界自研的GigaTrain高效訓(xùn)練框架。

GigaTrain是一個為大規(guī)模生成模型量身打造的統(tǒng)一分布式訓(xùn)練系統(tǒng)，支持DeepSpeed ZeRO、FSDP2、FP8混合精度、梯度檢查點等先進訓(xùn)練技術(shù)，既可支撐超大規(guī)模預(yù)訓(xùn)練，也能在8×H20等常規(guī)硬件上高效完成微調(diào)。

GigaTrain現(xiàn)已全面開源（GitHub：https://github.com/open-gigaai/giga-train），極佳視界還同步開放了詳細的資源消耗基準與配置模板，助力社區(qū)開發(fā)者快速復(fù)現(xiàn)、遷移并定制GigaWorld-0，推動具身智能數(shù)據(jù)生成的普惠化與標準化。

可泛化具身數(shù)據(jù)引擎

在PBench（Robot Set）基準上，研究團隊將GigaWorld-0與當前最先進的世界模型進行了全面對比，包括Cosmos-Predict2-14B、Cosmos-Predict2.5-2B、Wan2.2-5B和Wan2.2-14B。

盡管GigaWorld-0模型僅激活20億參數(shù)（2B），為所有對比模型中最小，卻在整體評分上顯著領(lǐng)先，取得最高性能。

這一結(jié)果證明GigaWorld-0在具身智能任務(wù)中兼具生成質(zhì)量與推理效率，是目前極具性價比的世界模型方案。

GigaWorld-0的價值還不僅體現(xiàn)在高質(zhì)量視頻與3D場景的生成能力上，更關(guān)鍵的是其作為可泛化具身數(shù)據(jù)引擎在真實世界中的有效性。

在VLA模型GigaBrain-0上，研究團隊系統(tǒng)性地驗證了GigaWorld-0生成數(shù)據(jù)對下游具身智能任務(wù)的提升作用。實驗在真實機器人平臺上進行，聚焦三大開放世界泛化挑戰(zhàn)：新紋理泛化、新視角泛化、與新物體位置泛化。

結(jié)果表明：隨著GigaWorld-0生成數(shù)據(jù)在訓(xùn)練混合數(shù)據(jù)中比例的提升，GigaBrain-0在上述三類泛化場景下的任務(wù)成功率與動作精度均呈現(xiàn)顯著且穩(wěn)定的增長趨勢。

項目鏈接：
https://giga-world-0.github.io/
論文鏈接：
https://arxiv.org/pdf/2511.19861
代碼鏈接：
https://github.com/open-gigaai/giga-world-0

關(guān)于極佳視界

極佳視界成立于2023年，是國內(nèi)第一家“純血”物理AI公司——創(chuàng)業(yè)就以世界模型為切入點，專注于「世界模型平臺 x 具身基礎(chǔ)模型」，致力以雙輪閉環(huán)走向物理世界通用智能。

在「世界模型」方向，極佳視界是國內(nèi)技術(shù)創(chuàng)新和產(chǎn)業(yè)落地的領(lǐng)跑者，相關(guān)產(chǎn)品技術(shù)已廣泛應(yīng)用于自動駕駛、具身智能、內(nèi)容創(chuàng)作等相關(guān)方向。

在「具身大腦」方向，極佳視界通過全球領(lǐng)先的「世界模型平臺」提供大規(guī)模高質(zhì)量閉環(huán)數(shù)據(jù)，相比純真機數(shù)據(jù)訓(xùn)練效率提升1-2個數(shù)量級以上，同時真機效果達到國內(nèi)領(lǐng)先。

極佳視界的創(chuàng)始人兼CEO黃冠，是清華大學(xué)自動化系A(chǔ)I方向博士。曾擔任地平線機器人視覺感知技術(shù)負責(zé)人、鑒智機器人合伙人&算法副總裁等知名企業(yè)技術(shù)和高管崗位，并擁有三星中國研究院、微軟亞洲研究院等頂尖研究機構(gòu)工作經(jīng)歷。

黃冠之外，聯(lián)合創(chuàng)始人、首席科學(xué)家朱政同樣有清華自動化系背景。他2019年博士畢業(yè)于中國科學(xué)院自動化研究所，此后在清華大學(xué)自動化系從事博士后研究。Google Scholar顯示，朱政的論文被引數(shù)達到1.7w+，h-index為50。

公司核心團隊還包括清華、北大、中科院、中科大、WashU、CMU等全球知名院校頂尖研究人員，以及來自微軟、三星、地平線、百度、博世、NBC環(huán)球影業(yè)等全球知名企業(yè)高管，核心團隊兼具業(yè)內(nèi)領(lǐng)先的研究能力和大規(guī)模的產(chǎn)業(yè)落地經(jīng)驗。

目前，極佳視界是國內(nèi)少有在「世界模型」和「具身大腦」方向都擁有世界級綜合實力的團隊，在自動駕駛世界模型方向已經(jīng)和多個頭部主機廠達成簽約合作，在具身世界模型、具身大腦等方向已經(jīng)和多個具身本體、終端公司達成簽約合作，應(yīng)用于科研、教育、展覽、數(shù)據(jù)采集、工業(yè)、服務(wù)、家庭等多個場景。

就在11月，極佳視界剛剛完成億元級A1輪融資，由華為哈勃、華控基金聯(lián)合投資。這也是該公司兩個月內(nèi)連續(xù)完成的第三輪融資。

— 完 —