金磊 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

國產(chǎn)開源具身世界模型，直接秒了Pi-0.5，而且還是幾位清華碩、博士研究生領(lǐng)銜推出的。

這就是由生數(shù)科技聯(lián)合清華大學(xué)，正式開源的大一統(tǒng)世界模型——Motus。

項(xiàng)目主要負(fù)責(zé)人，是來自清華大學(xué)計(jì)算機(jī)系朱軍教授TSAIL實(shí)驗(yàn)室的二年級碩士生畢弘喆和三年級博士生譚恒楷。

之所以說是大一統(tǒng)，是因?yàn)镸otus在架構(gòu)上，直接把VLA（視覺-語言-動作）、世界模型、視頻生成、逆動力學(xué)、視頻-動作聯(lián)合預(yù)測這五種具身智能范式，首次實(shí)現(xiàn)了“看-想-動”的完美閉環(huán)。

而且在50項(xiàng)通用任務(wù)的測試中，Motus的絕對成功率比國際頂尖的Pi-0.5提升了35%以上，最高提升幅度甚至達(dá)到了40%！

在Motus的加持之下，現(xiàn)在的機(jī)器人已經(jīng)具備了預(yù)測未來的能力。

瞧，Cloudflare人機(jī)驗(yàn)證任務(wù)，機(jī)器人可以輕松拿捏：

視頻地址：https://mp.weixin.qq.com/s/yiS0_RKr9DkTEzPx01NDAA

從視頻中不難看出，面對形狀不規(guī)則的曲面鼠標(biāo)，Motus控制的機(jī)械臂不僅能精準(zhǔn)識別，還能根據(jù)鼠標(biāo)與屏幕點(diǎn)擊框的距離，平穩(wěn)連續(xù)地移動，最后極度精準(zhǔn)地完成點(diǎn)擊。

再如長程多步推理的孔明棋任務(wù)，Motus同樣展現(xiàn)出了嚴(yán)密的邏輯閉環(huán)，一步步解開棋局：

視頻地址：https://mp.weixin.qq.com/s/yiS0_RKr9DkTEzPx01NDAA

再來看一個堪稱是機(jī)器人噩夢的任務(wù)——疊衣服：

視頻地址：https://mp.weixin.qq.com/s/yiS0_RKr9DkTEzPx01NDAA

衣服這種柔性物體的形變是過程中持續(xù)不斷發(fā)生的，但在Motus手下，整個過程絲滑順暢，就像有了人類的觸覺和預(yù)判一樣。

可以說，Motus的出現(xiàn)，率先在具身智能領(lǐng)域發(fā)現(xiàn)了Scaling Law，直接復(fù)刻了當(dāng)年GPT-2被定義為“無監(jiān)督多任務(wù)學(xué)習(xí)者”的奇跡。

很多CTO、創(chuàng)始人們看完之后直呼“妙哉”：

• 這是互聯(lián)網(wǎng)視頻學(xué)習(xí)與現(xiàn)實(shí)世界機(jī)器人之間的巧妙橋梁。
• Motus的Latent Action范式太妙了。統(tǒng)一的VLA架構(gòu)消除了機(jī)器人學(xué)中的模型碎片化，這才是真正的突破。
• 將感知、預(yù)測和行動統(tǒng)一在智能體內(nèi)部確實(shí)是實(shí)質(zhì)性的進(jìn)展。

包括此前大火的英偉達(dá)Cosmos policy、DreamZero這些工作，被認(rèn)為是顛覆了VLA的范式，轉(zhuǎn)向WA（World Action Models）或VA（Vision Action）范式；但其核心思想與Motus相近，大同小異。

目前，Motus的代碼、模型權(quán)重已全部開源（鏈接在文末）。

那么接下來，我們就來扒一扒這個大一統(tǒng)世界模型是如何實(shí)現(xiàn)的。

一個架構(gòu)統(tǒng)一了五種范式

在過去，具身智能領(lǐng)域可以說是散裝的。

因?yàn)橄馰LA、世界模型、視頻生成、逆動力學(xué)、視頻-動作聯(lián)合預(yù)測等模型，很難有機(jī)地湊成一個整體。

而Motus最大的亮點(diǎn)，在一個框架內(nèi)把這五種范式全包圓了。

大一統(tǒng)背后的技術(shù)，便是Mixture-of-Transformer（MoT）架構(gòu)，配合Tri-model Joint Attention（三模態(tài)聯(lián)合注意力）機(jī)制。

簡單來說，通過這種方式，Motus相當(dāng)于把三個專家攢到了一起：

• 理解專家（大腦）：基于Qwen-VL，負(fù)責(zé)看懂環(huán)境和指令；
• 視頻生成專家（想象力）：基于Wan 2.2，負(fù)責(zé)推演未來畫面；
• 動作專家（小腦）：負(fù)責(zé)具體的運(yùn)動控制。

通過Tri-model Joint Attention，這三位專家可以在同一個注意力層里實(shí)時交換信息。

這就賦予了機(jī)器人一種很像人類的能力：不僅能看見（感知），還能在腦海里想象動作發(fā)生后的未來畫面（預(yù)測），從而反過來倒推現(xiàn)在該做什么動作（決策）。

這正是我們剛才提到的“看—想—動”閉環(huán)。

但要訓(xùn)練這樣一個全能模型，光在模型框架層面下功夫還是不夠的——數(shù)據(jù)，也是一個老大難的問題。

因?yàn)闄C(jī)器人真機(jī)數(shù)據(jù)太貴、太少，而互聯(lián)網(wǎng)上雖然有海量的視頻，卻只有畫面，沒有動作標(biāo)簽（Action Label）。

為了解決這個問題，Motus采取的策略便是潛動作（Latent Action）。

研究團(tuán)隊(duì)利用光流技術(shù)（Optical Flow），捕捉視頻里像素級的運(yùn)動軌跡，然后提出了一種Delta Action機(jī)制，將這些像素的變化翻譯成機(jī)器人的動作趨勢。

這個思路可以說是比較巧妙，就像是讓機(jī)器人看武俠片學(xué)功夫。

雖然沒有人手把手教（沒有真機(jī)數(shù)據(jù)標(biāo)簽），但機(jī)器人通過觀察視頻里高手的動作軌跡（光流），看多了自然就懂了招式和發(fā)力方向（潛動作）。

由此，上至昂貴的真機(jī)數(shù)據(jù)，下至浩如煙海的互聯(lián)網(wǎng)視頻、人類第一視角視頻（Egocentric Video），Motus全都能吃進(jìn)去，從中提取通用的物理交互先驗(yàn)。

除此之外，基于數(shù)據(jù)金字塔和潛動作，Motus還構(gòu)建了一套三階段訓(xùn)練流程，逐步將通用的物理動力學(xué)常識“蒸餾”為精確的機(jī)器人控制能力：

• 視頻生成預(yù)訓(xùn)練。利用多機(jī)器人軌跡和人類操作視頻來微調(diào)視頻生成專家，使其能根據(jù)條件幀和語言指令生成合理的機(jī)器人操作視頻。
• 潛動作預(yù)訓(xùn)練。在凍結(jié)VLM的情況下，用視頻、語言和潛動作同時預(yù)訓(xùn)練三個專家，將通用的運(yùn)動先驗(yàn)充分地注入Motus中。
• 特定本體微調(diào)。利用目標(biāo)機(jī)器人的真機(jī)數(shù)據(jù)對Motus進(jìn)行整體微調(diào)，將模型適應(yīng)到特定場景下的下游任務(wù)，例如RoboTwin仿真和真機(jī)機(jī)械臂抓取。

Scaling Law在物理世界跑通了

研究的實(shí)驗(yàn)結(jié)果表明：Scaling Law在物理世界里，真的跑通了。

在仿真榜單RoboTwin 2.0上，在50個通用任務(wù)中，Motus的平均成功率達(dá)到了88%：

特別是在高難度的Stack Bowls Three（疊三個碗） 任務(wù)中，稍微一點(diǎn)誤差就會導(dǎo)致碗塔倒塌。此前的基線模型在這個任務(wù)上的成功率不到16%，可以說是“帕金森級手抖”。

而Motus的成功率直接飆升至95%！

但比單點(diǎn)成績更讓人驚艷的，是下面這張Scaling Curves（擴(kuò)展曲線）。

△上圖為數(shù)據(jù)量Scaling，下圖為任務(wù)數(shù)量Scaling。紅色為Motus，藍(lán)色為Pi-0.5

隨著訓(xùn)練任務(wù)數(shù)量的增加（橫軸），藍(lán)色的線（Pi-0.5）呈現(xiàn)下降趨勢。這意味著傳統(tǒng)的模型架構(gòu)在面對多任務(wù)時，容易發(fā)生過擬合，學(xué)了新的忘了舊的。

而紅色的線（Motus）則是一路持續(xù)上升。

這證明了：只要模型架構(gòu)足夠統(tǒng)一、數(shù)據(jù)來源足夠雜，具身智能完全可以像LLM一樣，涌現(xiàn)出跨任務(wù)的通用泛化能力。

這也正是GPT-2當(dāng)年帶給NLP領(lǐng)域的震撼——Language Models are Unsupervised Multitask Learners。現(xiàn)在，Motus在具身智能領(lǐng)域復(fù)刻了這一奇跡。

在真機(jī)測試中，無論是AC-One還是Agilex-Aloha-2機(jī)械臂，Motus都表現(xiàn)出了較好的適應(yīng)性。

△左：AC-One；右：Agilex-Aloha-2

數(shù)據(jù)顯示，Motus的數(shù)據(jù)效率比對手提升了13.55倍。也就是說，達(dá)到同樣的水平，Motus只需要別人十幾分之一的數(shù)據(jù)量。

清華研究生領(lǐng)銜

最后，讓我們把目光投向這個大一統(tǒng)世界模型背后的團(tuán)隊(duì)。

Motus由生數(shù)科技聯(lián)合清華大學(xué)發(fā)布，而共同領(lǐng)銜的一作，是兩位非常年輕的清華學(xué)生：

• 畢弘喆（Hongzhe Bi）：清華大學(xué)計(jì)算機(jī)系TSAIL實(shí)驗(yàn)室二年級碩士生。他的研究方向就是具身智能基礎(chǔ)模型，此前還是CVPR2025 RoboTwin雙臂機(jī)器人競賽真機(jī)賽冠軍。
• 譚恒楷（Hengkai Tan）：清華大學(xué)計(jì)算機(jī)系TSAIL實(shí)驗(yàn)室三年級博士生。主攻視頻世界模型和具身大模型，曾獲NOI銀牌，在RDT、Vidar等多個重要項(xiàng)目中都有他的身影。

此外，團(tuán)隊(duì)成員還包括謝盛昊、王澤遠(yuǎn)、黃舒翮、劉海天等，均來自清華TSAIL實(shí)驗(yàn)室（朱軍教授課題組）。

而作為聯(lián)合發(fā)布方的生數(shù)科技，這次開源Motus，也暴露了其在世界模型上的布局。

熟悉生數(shù)科技的朋友都知道，他們剛完成新一輪融資，而且一直堅(jiān)持視頻大模型是通往AGI的核心路徑。

在生數(shù)看來，視頻天然承載了真實(shí)世界的物理時空、因果邏輯與動態(tài)演變。Motus的出現(xiàn)，正是這一戰(zhàn)略的重要拼圖。

它標(biāo)志著機(jī)器人從“機(jī)械執(zhí)行”向“端到端智能”的跨越，也推動了整個行業(yè)從單點(diǎn)突破走向統(tǒng)一基座。

產(chǎn)學(xué)研協(xié)作在這里發(fā)揮了巨大的化學(xué)反應(yīng)：生數(shù)在多模態(tài)大模型上的深厚積累，加上清華團(tuán)隊(duì)的頂尖算法能力，才催生出了Motus這個大一統(tǒng)的世界模型。

Motus于25年12月就全部開源并發(fā)布論文，早于行業(yè)2個月，而最近火熱的基于視頻模型的具身智能路線，生數(shù)科技與清華大學(xué)在2025年7月份就已經(jīng)發(fā)表Vidar具身視頻模型，領(lǐng)先于行業(yè)半年之久。

目前，Motus已經(jīng)全量開源。

感興趣的小伙伴可以圍觀一下啦~

論文地址：
https://arxiv.org/abs/2512.13030

項(xiàng)目地址：
https://motus-robotics.github.io/motus

開源倉庫：
https://github.com/thu-ml/Motus

模型權(quán)重：
https://huggingface.co/motus-robotics