腾讯开源了一个项目，两个月拿了 4600+ Star。

做的事非常专一：给 AI Agent 装上长期和短期记忆。

装完之后什么效果？

评测数据摆在这：针对长期记忆，整体准确率从 47.85% 涨到 76.10%，提升将近 60%。

用户事实召回从不到 30% 飙到 79%。

基于短期记忆的加持，长任务中最高节省 61% token。

这个项目叫 TencentDB Agent Memory，腾讯云数据库团队做的，5 月 14 日正式开源的。

来看看在 OpenClaw 和 Hermes 中的效果。

01

AI 记忆到底难在哪

现在，点击开一个 Agent 的新会话，其实都会默认认为它啥都不知道。

你得把相关的上下文或者信息给它说一遍，它才能干好活。

Memory 的目的还是提高我们的效率。

TencentDB Agent Memory 的思路和主流的方案不太一样。

它的思路是符号化短期记忆 + 分层长期记忆。

开源地址：https://github.com/TencentCloud/TencentDB-Agent-Memory

现在主流的解决方案大概有三种，但都有明显短板。

第一种，全塞进上下文窗口。

简单粗暴，但窗口有上限，塞多了 token 直接爆掉。

第二种，用向量数据库做记忆。

比全塞上下文好一些，但问题是只存不提炼，很多对话碎片时召回率低，精确度差。

第三种，让大模型自己做摘要压缩。

但压缩是不可逆的，可能会造成关键细节丢失的问题。

02

腾讯开源项目的核心架构

这个项目最核心的设计，是一个四层渐进式记忆架构。

L0 到 L3，从底到顶，每一层干的事不一样。

L0：原始对话。 

全量保留，一字不落。兜底用，随时可回查。

L1：原子事实。 

自动从对话里提取独立的事实节点，比如"我爱吃火锅"、"我后用 NextJS"，打标签存起来。

L2：场景聚类。

相关的原子事实按场景聚合。比如用户系统讨论涉及的所有事实，表结构、权限、接口合成一个场景块，Markdown 格式，人可直接读。

L3：用户画像。 

基于下面三层生成稳定的用户画像，沉淀技术偏好、代码风格、常用工具链。

这样既不会因为上下文太长影响推理，也不会丢失关键信息。

而且系统保证从顶层到原始证据有完整的回溯路径。

L3 里说用户偏好 TypeScript，这个结论可以追溯到 L2 某个场景块，场景块里的每条结论又能追溯到 L1 的原子事实，原子事实最终指向 L0 里你说过的那句话。

整条证据链不断裂。

03

短期记忆压缩：巧用 Mermaid 图

四层架构解决长期记忆，但短期上下文也是烧钱大户。

AI 排查一个 bug 要调用十几次工具，上下文塞满日志。

解法是符号化记忆，把完整日志卸载到外部文件，用 Mermaid 语法画一张紧凑的任务状态图塞进上下文，需要细节时再通过节点 ID 检索。

Mermaid 用极少的 token 把线性摘要列表重组为带状态、依赖关系和可寻址索引的任务拓扑结构图。

让 AI 大模型不靠记住什么标签而是靠从图的拓扑中推理出什么结构来理解任务全貌。

信息密度更高、结构不丢失、细节可逐层找回。

实测 Token 消耗直降超 50%，任务完成率反升 23%。

省了钱，活还干得更好。

语义检索（Embedding）擅长模糊匹配，关键词检索（BM25）擅长精确命中。

两路各自召回候选结果，RRF 融合排序。语义相关的不会漏，精确匹配的也不会丢

04

跑出来的数据

说了这么多设计，来看实际跑出来的数据。

腾讯用 PersonaMem 基准测试做了评测，对比的是原生 OpenClaw 和接入 Agent Memory 之后的 OpenClaw：

指标	原生 OpenClaw	接入 Agent Memory
总准确率	47.85%	76.10%（+59%）
用户事实召回	29.63%	79.07%（+167%）
偏好跟踪	66.67%	83.45%（+25%）
个性化推荐	46.67%	76.36%（+64%）

用户事实召回这个指标最夸张，从不到 30% 涨到 79%。意思是以前你跟 AI 说过的十件事，它只能想起三件。

现在能想起八件。

除了 PersonaMem，项目还跑了几个编程相关的基准测试：

WideSearch 成功率 33%→50%，token 砍 61%；

SWE-bench 通过率 58.4%→64.2%，token 省 33%。

WideSearchp 评估信息任务中的搜索、整合与验证能力，SWE-bench 是一个用于评估人工智能模型解决真实世界软件工程问题能力的评测基准

加了记忆不光记住了更多，做任务效率也变高了，省下的 token 都用在干正事上。

05

怎么用

这个项目现在是作为 OpenClaw 的插件发布的，安装非常简单。

一行命令搞定：

openclaw plugins install @tencentdb-agent-memory/memory-tencentdb

装完之后默认使用本地 SQLite + sqlite-vec 作为存储后端，零配置，开箱即用。

不需要你单独装数据库，不需要连外部服务，数据全在本地。

如果你想接外部 Embedding 服务来增强语义检索效果，可以在配置文件里指定。

如果你用的是 Hermes Agent 框架，项目也提供了 Docker 一体化镜像。

把 Hermes + Agent Memory 插件 + Gateway 全打包在一个容器里，docker pull 下来就能跑。

支持的模型也很灵活。

新的 1.0.0-beta.1 版本给希望自己开发 Agent Memory 适配层的用户提供了快速开始的方法。

06

腾讯云数据库AI能力版图

TencentDB Agent Memory 不是腾讯云凭空搞出来的一个独立项目。它是 5 月 29 日腾讯云「数据库+AI」发布会的一部分。

这场发布会的主题叫 AI 原生·重构数据库新范式，核心思路是：当 Agent 成为新的生产力单元，数据库的使命就要从存数据演进为支撑智能体感知、记忆、决策与协作的数据底座。

沿着 AI 原生数据库这这条线，腾讯云这次一口气发了好几样东西：

DatabaseClaw，腾讯云第一个数据库 Agent

跟普通的 AI DBA 助手不一样，它不只是回答问题，而是能真的进入生产环境承担运维职责，7x24 小时跑着。自动巡检、异常诊断、慢 SQL 归因，这些 DBA 日常最耗时间的事它都能干。

而且构建了四层安全防线，权限隔离、AI 行为护栏、架构安全、全链路审计，让DBA 敢把生产库权限交给它。

TDSQL Boundless，新一代分布式数据库

在一套统一的分布式架构上，支持关系型事务处理、向量语义检索与全文搜索等多种数据类型，多种访问模式多种模型数据在同一个连接、甚至同一个事务中完成，不用再为不同数据类型维护不同的数据库了。

TDSQL-C，云原生数据库全面升级

这次TDSQL-C重构的第三代存储架构 AI Native Storage主打三个字：稳、灾、省。

业务无感的存储组件发布和坏盘替换，带来的最终质变是：极致性价比，TCO 较同类产品下降 200%+；IO 零抖动，全链路无损变更；数据零丢失，3 AZ 金融级强同步、RPO=0。

依托第三代存储架构，TDSQL-C 还系统化升级为面向 AI 时代的双引擎云原生数据库，内核采用的是PG 与 MySQL 双引擎的云原生计算节点。

可一站式对接腾讯云 cloudbase 的 baas 平台以及 Cursor、FastGPT等这些AI 开发者应用，用 MCP、REST等协议实现统一接入。

这些产品放在一起看，腾讯云数据库在做的事情是：从底层的数据库引擎，到中间的记忆和运维能力，再到上层的AI开发体验，整套 Agent 时代的数据基础设施都在用AI原生的思路重构一遍。

而 Agent Memory 是其中跟开发者关系最近的一环：它直接解决了AI 怎么记住你这个所有人都会遇到的问题。

开源地址：https://github.com/TencentCloud/TencentDB-Agent-Memory

07

点击下方卡片，关注逛逛 GitHub

这个公众号历史发布过很多有趣的开源项目，如果你懒得翻文章一个个找，你直接关注微信公众号：逛逛 GitHub ，后台对话聊天就行了：

查看原文 →

LeCun 10亿押注的方向，全球领先视觉大模型团队早已布局

听雨 2026-06-04 11:43:37 来源：量子位

听雨 发自 凹非寺
量子位 | 公众号 QbitAI

Yann LeCun押注的世界模型路线，一匹深圳黑马也已提前落子。

他们是视启未来，做出全球第一视觉大模型——Grounding DINO、DINO-X——的那支团队。

他们并不满足于「看见世界」，而是正努力把AI进一步推向「预见未来」的能力边界。

现在，他们押注的是隐空间世界模型。

要知道，LeCun为了这条技术路线，离开Meta、创办AMI Labs，完成10.3亿美元融资，创下欧洲史上最大种子轮纪录。

不同于主流世界模型预测下一帧画面长什么样，隐空间世界模型要求AI在更抽象的表征空间里，学习动作和世界状态变化之间的因果规律。

5月15日，在2026全球人工智能终端展暨第七届深圳国际人工智能展览会举办的「AGI前夜：大模型的觉醒时刻」论坛上，视启未来创始人张磊，更是在主题演讲中直言：

做世界模型很难，做隐空间世界模型更难，但我们会知难而进。

隐空间世界模型为什么是更难的那条路？难在哪里？

做出来又意味着什么？

「隐空间世界模型很难，但我们一定要做」

随着人工智能加速从数字世界走向物理世界，智能体面临的核心任务已经变了。

不仅要「看见」，而且要「预见」——理解因果关系，把握时空动态，在稀疏反馈与复杂约束下完成规划、决策与学习。

强化学习提供了从交互经验中学习的基本范式。看大语言模型这边，从ChatGPT应用强化学习，到o系列模型以及coding能力的突破，本质上都是一系列强化学习算法应用的突破。

但物理世界的样本效率低、安全约束严、交互成本高、环境不可重置，单纯依赖在线试错的方法，难以扩展到真实场景。

△AI生成

张磊的判断是，真正的智能，不能只停留在「看到当前状态就输出动作」的层面。

如果没有对未来状态的预想、对行动后果的预判，智能体就无法在物理世界中持续展开决策链条，也难以真正进入现实环境。

这正是世界模型的意义所在：让AI从经验数据中学习动作、状态与结果之间的因果关系，在行动前先「想象」下一步可能发生什么，为强化学习提供可扩展的内部预演空间。

在张磊看来，当前各种世界模型路线都在不同方向上推进得很快。但对于机器人和物理智能而言，一个核心挑战仍然存在：

模型学到的究竟是像素级相关性，还是可用于规划和控制的物理规律与因果关系？

模型在像素层面学习，很容易被纹理、光照、背景等细节干扰，学习效率低下，不利于学习真实的因果关系和物理规律。

这正是LeCun说「在输入空间做预测是糟糕的」的原因，也是隐空间世界模型的出发点。

Latent表征的价值在于，它可以把高维、冗余的视觉输入压缩成更抽象的状态表示，过滤掉大量与决策无关的像素细节，把学习重点放到更本质的变化规律上。

可以说，表征学习是世界模型中最为核心的问题。

换句话说，隐空间世界模型不执着于「未来画面长什么样」，而更关注「世界状态如何演化」，因此更适合学习物理规律和因果关系。

但视启发现，现有的隐空间方案还差了关键的一步。

大多数latent表征虽然脱离了像素，却并不真正「理解物体」。

如果模型不知道场景里哪些是独立物体、物体之间是什么关系、哪些变化来自视角、哪些变化来自交互，那么它要直接在隐空间中学习物理规律，难度仍然非常高。

原因很简单：物理规律本质上并不作用在像素上，而是作用在物体、结构和关系上。

我们这里也做了张图，方便大家理解：

△AI生成

张磊认为，latent表征必须具备理解物体的能力，才能更好地学习物理规律。

视启的解法是把物体理解能力引入latent表征学习中，通过2D感知、3D表征、分割和语义理解，让latent表征具备「世界由哪些物体构成、它们处于什么空间位置、具有什么语义属性」的基础认知，再进一步学习动作驱动下的状态转移和物理演化。

通过引入物体理解的结构信息，模型可以更高效地对数据进行压缩，从海量数据中学到内在的、更为本质的规律。

这样，模型学习的不再是黑盒式表征，而是一个更具对象性、空间性和物理性的结构化latent世界。

因此，视启将自己的路线称为「视觉原生世界模型」，这也是他们和其他隐空间世界模型的关键区别。

为了实现真正可落地的物理世界模型，张磊认为，这类模型需要同时具备三个核心特征：

Object-Centric，以物体为中心。

表征不能停留在像素层面，要具备对物体的理解能力，能够识别世界由哪些对象构成、它们之间如何交互。只有这样，模型才有可能从海量数据中学习到更稳定、更可泛化的物理规律，而不是停留在表面的视觉相关性上。

Action-Aligned，跨本体动作对齐。

把人手动作、机械臂操作以及不同机器人本体的数据对齐到统一表示空间，从而更高效地利用大量人类交互数据，帮助机器人更快学会如何与环境互动。

Causality-Driven，因果驱动。

世界模型要学的，是「执行某个动作之后，世界状态将如何变化」。只有具备这种因果建模能力，世界模型才能真正与强化学习结合，支持机器人在与环境持续交互中不断提升决策、学习和泛化能力。

张磊说，视启对方向的判断始终正确，只是赛道的热闹程度，确实超出了当初的预想。

不过，这反而印证了视启坚守隐空间路线的前瞻性——在所有人都往像素空间冲的时候，视启已经在更难、也更正确的方向上积累了先发优势。

从全球第一视觉大模型，到视觉原生世界模型

张磊对于世界模型的见地，并非空穴来风。

背后是视启长期构建的以物体为中心的视觉理解能力，也是这支团队数年的积累。

视启未来，其核心团队来自粤港澳大湾区数字经济研究院计算机视觉与机器人研究中心（IDEA CVR）孵化的DINO-X团队。

团队已连续推出DINO、Grounding DINO、DINO-X等代表性工作，持续推动开放世界目标检测与物体级视觉理解的发展。

Grounding DINO已成为开放集检测的重要里程碑之一，而DINO-X则是面向开放世界物体理解的全球领先视觉大模型。

今年4月，谷歌DeepMind发表的Vision Banana论文中，也多处提到视启未来的DINO-X模型。

这篇论文的署名作者包括何恺明和谢赛宁，在SA-CO/Gold instance segmentation任务上，强调DINO-X是zero-shot transfer物体理解的全球SOTA。

此外，DINO系列论文也广泛被Meta的SAM2/SAM3、阿里的Qwen系列、字节的Seed系列引用。这反映出视觉物体理解基模门槛极高，依赖强大的视觉基座大模型预训练能力。

自2023年以来，视启未来凭借Grounding-DINO与DINO-X系列，在开放物体理解榜单上保持了最长的连续领先时间。

有趣的是，DINO的意思是「恐龙」，恐龙也是这个团队各种模型的标志。

他们还有一个基于视觉提示做物体检测的模型T-Rex2 （ECCV 2024），就是恐龙家族的霸王龙。

DINO系列解决的核心问题，正是Object-Centric世界模型最需要的底层能力：让机器真正「看懂」世界由哪些物体构成、它们在哪里、它们之间是什么关系。

视启未来的路线，更强调面向真实世界交互的Object-Centric表征能力，即围绕「物体是什么、在哪里、如何被引用、如何与环境发生关系」建立统一建模能力。

在此基础上，视启未来不仅在2D物体检测与分割，3D物体理解与语义理解上建立了显著优势，也持续向3D动作理解延伸，形成了从看见物体，到理解物体，再到理解动作与物体交互的完整能力栈。

从这个意义上说，视启做世界模型并不是转型，而是在其原有技术基础上的顺势延伸。

单个模型的成功还能归因于机会，那么连续做出Grounding DINO、DINO-X等这样的全球领先物体理解视觉基座大模型，更多说明的是团队底层能力已经成型。

对一家做基础模型的团队来说，这意味着它不仅会「做模型」，更掌握了数据组织、预训练范式、能力迁移和任务扩展的系统方法，这恰恰是基模训练能力最有说服力的体现。

这种能力已经开始在产品上体现。5月15日，视启未来联合百度智能云在2026全球人工智能终端展上正式发布EgoTwin——全球最新的高质量Ego人手3D对齐引擎。

如果说视觉原生世界模型是视启未来的长期技术路线，那么EgoTwin就是这条路线在具身智能数据层面的第一个产品化抓手。

EgoTwin直击行业最卡脖子的难题——把人手操作数据转化为机器人能用的训练数据，数据采集效率是行业主流方案的3.75倍。

更重要的是，EgoTwin并不只是一个数据采集工具：它一方面把人类Ego操作视频转化为机器人可学习的数据资产，另一方面也为世界模型提供Action-Aligned的训练底座，成为「数据引擎—模型迭代—本体落地」闭环的第一步。

更大的愿景，张磊直言：世界模型将成为物理世界AI的核心基础设施。

在他看来，数字世界中，大语言模型正在承担类似于OS（操作系统）的角色，底层是GPU算力，中间是大语言模型，上层是各种各样的Agent。

这条路已经被充分验证，无论是Coding领域还是其他Agent形态，都已经证明走得通。

物理世界里，同样的范式变化正在发生。只不过，物理世界的基础设施除了算力之外，还会加入机器人本体。

在这一层之上，张磊带领的世界模型团队正在打通Learning From Experience的范式，机器人在学习过程中可以变得更加自主、更加高效，由此获得更强的物理任务技能。

英伟达科学家Jim Fan年初说，下一个词预测是第一种预训练范式，现在我们正在经历第二次范式转变：下一个物理状态预测。

他预言，2026年将被载入史册，成为世界模型为机器人技术奠定真正基础的第一年。

张磊支持这个判断，同时强调一点：视觉，是物理智能最主要的信息入口，也是通向世界模型的关键优势方向。

视启未来长期积累的检测、识别、分割、跟踪、3D物体理解，3D动作理解与开放世界感知能力，不仅让机器更好地「看见」世界，也为其进一步建模世界、预演未来、支撑行动提供了坚实基础。

世界级目标，吸引世界级人才

要做世界级的模型，首先得有世界级的团队。

视启未来创始人兼CEO张磊，是这支团队最重要的底色。

张磊博士，师承中国人工智能奠基人张钹院士，并曾长期在计算机科学与人工智能领域世界级专家、美国国家工程院外籍院士沈向洋先生领导下工作。

作为 IEEE Fellow，他累计发表200余篇顶级会议和期刊论文，Google Scholar 总引用已超过7.3万次。

他曾在微软亚洲研究院、微软总部研究院及计算机视觉相关产品部门任首席研究员，带领研究组从事计算机视觉基础研究，及其在大规模图像分析、物体检测、视觉语言多模态理解方面的应用，研究成果被广泛用于微软必应搜索及认知服务云计算平台。

值得一提的是，在张磊进行博士深造之前，是国内最早一批参与室内移动机器人研究的人员之一。

绕了一个大圈，从机器人到计算机视觉，再从视觉回到机器人，这条轨迹并非偶然，而是他对物理世界AI判断的一贯逻辑在驱动。

2021年，张磊加入IDEA研究院，带领团队研发DINO-X视觉大模型，为机器赋予物体级理解能力。

随后其孵化视启未来，将这套能力推向世界模型赛道。

视启未来还邀请了张钹院士、沈向洋院士担任科学顾问。团队核心成员主要来自清华大学、微软、腾讯等顶尖高校与国内外科技大厂。

据视启透露，团队中约50%具有清华背景，约20%拥有智能驾驶相关经验，80%为90后青年人才，100%具备海外或国内头部科技企业经历。

近期，视启在北京进一步吸引了多位国内机器人和强化学习方向的优秀年轻算法人才加入。

他们的主动选择加入，本身就是一种投票——投的是视启在世界模型方向上的技术判断，也是他们对这支团队能够再创辉煌的信心。

做世界模型很难，做隐空间世界模型更难。

曾经做出世界第一视觉大模型的视启团队，正把同样的信念，押注在隐空间世界模型上。

张磊和他的视启未来，正走在将隐空间世界模型贯彻到底、知难而进的路上。

一个GPT Plus会员的钱，够机器人跑一个月世界模型了

henry 2026-06-04 11:10:23 来源：量子位

henry 发自 凹非寺

量子位 | 公众号 QbitAI

真没想到啊！物理AI的账单，有一天竟然能和大模型一个价。

毕竟，视频跟文本孰大孰小，我还是分得清的。

不过，就在刚刚，具身世界模型的部署成本，被智在无界打下来了——

在机器人身上部署世界模型，一个月只要150块，相当于充个GPT Plus会员的钱。

而这，就来自他们最新发布的隐式世界模型产品Being-H-Flash。

在单台机器人每天扫码1000件快递的流水线场景中，Being-H-Flash月算力成本仅需150元。

相当于英伟达Cosmos方案的2%，甚至比VLA架构的Pi0.5还便宜70%。

更关键的是，它不只是便宜。

当其他显式世界模型还主要依赖云端部署时，Being-H-Flash已经直接跑进了机器人本体。

在类似Orin NX这样的百TOPS级端侧算力条件下，Being-H-Flash能实现接近20FPS实时运行，并且同时兼容国产AI芯片和英伟达平台部署。

（注：不同世界模型在训练级显卡、消费级显卡与端侧芯片上的推理速度对比，单位FPS，越大越好，x表示由于算力受限）

智在无界介绍，Being-H-Flash也是全球首个在端侧，甚至是百TOPS级芯片上实现实时运行的世界模型。

这是怎么做到的 ？

世界模型端侧开跑

要理解Being-H-Flash为什么能在100TOPS端侧芯片上实时运行，得先回到开头浅浅提到的两个概念：

显式世界模型和隐式世界模型。

过去一年，以VLA（Vision-Language-Action）为代表的具身模型不断刷新机器人的操作能力上限。

但与此同时，一个问题也越来越难以回避：在动态的真实世界里，单纯地看到场景、输出动作，往往并不够。

一旦涉及物体运动、遮挡、接触以及形变，机器人就必须考虑动作带来的后续影响。否则，一个看似正确的动作，可能从执行开始就已经注定失败。

因此，机器人不仅需要知道下一步该怎么做，还需要预判这样做之后会发生什么。

于是，能规划未来的世界模型开始成为具身新的演进方向，但世界模型内部，也有两条不同路线。

具体来说，一边是以英伟达Cosmos-Policy为代表的显式世界模型，它会先逐帧生成未来画面，再根据这些画面规划动作。

这样做的好处是能够直接建模未来的物理变化，但代价也很明显：未来画面需要逐帧生成，算力和延迟成本都很高。

而Being-H0.7所采用的隐式世界模型，则选择了另一条路线。

它不再生成未来画面，而是在多模态感知与动作生成之间构建一个潜空间（Latent Space），把当前观测、任务目标以及对未来状态的判断压缩到其中进行推演。

换句话说，它依然在预测未来，只是不再通过“画出来”的方式。

（注：有别于英伟达的显式路线，Being-H0.7首次开创了“人类视频预训练”+“潜空间推理”相结合的隐式世界模型路线）

这种做法最大的好处，就是把“预测未来”从像素空间搬到了潜空间。

大量视频生成带来的计算开销被省掉了，但世界模型对未来状态的推演能力依然得以保留。

路线更轻，是Being-H-Flash能够跑进端侧的第一步。

但不画未来，并不意味着无法精准预测未来状态。

为了确保模型在潜空间的推演能力，团队还使用了超过20万小时第一人称人类视频和超过1.5万小时机器人示教数据进行训练。

与此同时，团队还构建了一整套面向端侧部署的推理基础设施，包括自研Universal Async Chunking（UAC）等异步推理技术。

模型负责在潜空间里预测未来，系统则负责让这些预测更快地转化成动作。

前者避免了像素级rollout带来的巨大计算开销，后者进一步压缩了控制延迟。

最终，Being-H-Flash成为全球首个在百TOPS级端侧芯片上实现实时运行的世界模型。

端侧跑通了，然后呢？

看到这里，一个问题自然来了：世界模型跑进端侧，然后呢？

两件事。第一，它决定机器人到底能不能用。第二，它决定这笔账到底能不能算过来。

先说第一件。

举个栗子，你跟DeepSeek对话，模型多思考几秒，鲸鱼脑袋上转几圈，然后给你一个答案，大多数时候问题不大。

但机器人不一样。

一台产线上的机器人晚两秒做判断，螺丝可能已经拧穿了电路板；仓储机器人晚两秒避障，货物可能已经撞翻在地。

所以，世界模型如果挂在云端跑，网络延迟和断连风险就成了控制系统里最脆弱的一环。

更别提很多工厂环境本身网络条件有限，断网和抖动并不罕见。

因此，端侧实时运行，实现闭环控制的重要性就在于此。

比如，接住一颗高速滑落的小球，看起来只是接个球，但真正难的其实不是动作，而是预测。

机器人需要持续判断小球下一秒会出现在哪里，并实时调整机械臂轨迹完成接取。

类似的挑战还出现在液体和柔性物体上。

倒水时液体会怎么流，抓起塑料袋后会往哪边变形，看似是不同任务，背后考验的其实是同一种能力：对未来状态的实时预测。

这些任务虽然看起来不同，但背后其实依赖的是同一种能力：在动作发生之前，先对未来进行推演。

而当这种能力第一次能够在机器人本体实时运行之后，世界模型也开始从实验室里的Demo，变成产线上的实际能力。

过去，世界模型在云端，机器人在产线，中间隔着一根网线。

现在，世界模型第一次真正装进了机器人身体里。

这或许才是Being-H-Flash更重要的意义。

接下来，就是第二件事，世界模型能不能大规模落地。

世界模型终于算得过账了

Being-H-Flash做到了一件此前世界模型很难做到的事：

保留对物理世界的预测能力，同时把部署成本压到了产业能够接受的位置。

很长一段时间里，世界模型面临的都是同一个问题：能力越强，成本越高。

而成本越高，距离真实部署就越远，以Cosmos-Policy为代表的显式世界模型就是如此。

它们能够建模复杂的物理过程，但高昂的推理开销决定了大多数情况下只能部署在云端数据中心。

对于很多真实场景来说，仅仅算力账这一项，就已经很难成立。

相较之下，Being-H-Flash选择了一条不同的路。

它没有把世界模型变成更大的视频生成器，而是通过隐空间推理，把对未来的预测能力保留下来，同时把实时运行所需算力压缩到百TOPS级端侧平台。

对于机器人厂商来说，这意味着不必再在模型能力和部署成本之间做二选一。

除此之外，围绕不同部署需求，智在无界还推出了完整的Being-H-Flash产品矩阵。

其中，Being-H-aura面向标准部署场景，Being-H-ventus进一步强化运行效率，而旗舰版Being-H-procella则针对具体机器人本体、硬件平台和业务场景进行专项优化。

（注：Being-H-Flash产品矩阵，以隐式世界模型为基座，从aura，ventus到procella，逐级推进真实场景机器人的部署效率和性能）

就像开头说的，Being-H-procella已经完成英伟达与国产芯片双平台适配，并在国产百TOPS级端侧平台实现实用化部署。

这意味着，“国产世界模型+国产芯片”第一次从产业愿景走向工程现实。

当端侧算力门槛降到百TOPS，当月度算力成本降到百元级，许多过去算不过账的场景，也开始有了规模化落地的可能。

仓储物流里高速变化的包裹，工业产线上不断调整的机械臂，以及商超和家庭环境中的柔性物体与连续操作任务，都开始进入世界模型的能力半径。

从Being-H0到Being-H0.7再到Being-H-Flash，智在无界用一年时间完成了隐式世界模型从提出到端侧部署的闭环。

而这或许也揭示了世界模型商业化真正重要的一件事——

决定它能否走出实验室的，从来不只是能力上限。

更重要的，是谁能先把它装进机器人、放进产线，再把成本打到产业愿意买单的位置。

至少从今天来看，世界模型终于开始算得过这笔账了。

One More Thing

最后来简单介绍一下， Being-H-Flash背后的团队——

BeingBeyond（智在无界）。

智在无界成立于2025年5月，是一支刚满一岁的团队。

创始人卢宗青，是北京大学计算机学院长聘副教授、智源学者，长期深耕强化学习。

在学术界，他较早提出利用大规模人类视频训练具身模型的方向，这也成为了智在无界后来技术路线的起点。

公司核心技术开发人员占比超过70%，博士学历占比近60%，主要来自北京大学、清华大学、中国人民大学、南洋理工大学、南加州大学等国内外知名高等院校。

过去一年，智在无界几乎保持着3-4个月一代模型的迭代速度。

从Being-H0的1000小时人类视频预训练，到H0.5扩展至1万小时，再到H0.7将训练规模提升至20万小时，这条技术路径始终围绕着同一个问题：

如何让机器人像人一样，通过观察世界来理解世界。

而今天发布的Being-H-Flash，则把这套能力第一次带进了百TOPS级端侧芯片。

从人类视频预训练，到隐式世界模型，再到端侧实时部署。

一年，四代模型，很具身。

戴盟机器人完成亿元融资，阿里通义多模态大牛加盟攻关物理世界模型

衡宇 2026-06-04 11:06:59 来源：量子位

衡宇 发自 凹非寺

量子位 | 公众号 QbitAI

每天一睁眼，都有滚烫的热钱砸向具身智能领域。今天也不例外。

量子位获悉，具身智能公司戴盟机器人（Daimon Robotics）新近完成亿元A轮融资，本轮融资由汇川产投和中国电信联合投资。

这笔融资值得留意，不单是具身智能又拿到了投资。

关键在于具身智能发展技术方向的取舍。

因为在视觉、多模态、VLA、世界模型等被行业轮番热议之时，戴盟落脚在了触觉这条路上。

与此同时量子位还获悉了关于这家公司的另一则消息——阿里通义实验室前多模态研究专家原玮浩加入戴盟，担任首席AI科学家。

原玮浩博士毕业于香港科技大学，研究工作主要面向具身人工智能（VLA/WAM/强化学习/触觉智能/人形运动）和三维视觉（重建/生成/世界模型），拥有将多模态大模型、世界模型迁移至机器人物理操作的前沿经验。

他在NeurIPS、ICLR、CVPR、ICRA等人工智能顶会上发表论文40余篇，包括多篇Oral论文。其主导的NeWCRFs算法，曾登顶国际权威榜单KITTI。

后续发力重点：物理世界模型

戴盟方面表明，本轮融资到账后主要会投向三件事。

• 物理世界模型研发；
• 含物理交互信息的超大规模数据集；
• 真实场景下的数据飞轮和商业闭环。

戴盟首席AI科学家原玮浩的说法是，这三件事本质上是一件事的三个面，“数据是燃料，物理世界模型是引擎，飞轮决定引擎能不能持续跑起来”。

其中，物理世界模型会是戴盟后续布局的重中之重，团队招人、加码算力、打磨模型，所有规划全都围着这件事落地。

戴盟对物理世界模型有着自成一派的定义。

“我们的物理世界模型，它以多模态接触状态为条件来预测未来。”不同于常规模型只预判画面帧变化，它关注的不只是下一帧画面会变成什么样，还包括下一刻的触觉信号、接触状态，以及这次操作会不会失败、为什么失败、该怎么修。

原玮浩总结道：“简单来说，视频世界模型在预测画面，我们在预测物理交互。”

为了实现这件事，戴盟把物理接触拆成两层。

第一层是认知层，让触觉和视觉、语言、几何等模态在同一表征空间里互相映射。

比如桌上同时放着一颗葡萄和一颗同样大小的玻璃珠，人不需要真正抓起来，就知道两者不能用同一套策略。

葡萄要轻，要用指腹包裹；玻璃珠可以更用力，用指尖捏起。

这背后其实是视觉直接映射成了触觉预判。

第二层是执行层，有两套机制在同时运行。

一套是百赫兹级的高频触觉伺服，类似脊髓反射，不经过上层推理，物体刚开始产生滑移趋势的那一刻，补偿动作就已经发出了，新的视觉帧还没产生出来。

原玮浩说，这种毫秒级的边缘力控，纯视觉模型根本来不及反应。

另一套是物理世界推理，模型会持续预测未来的接触状态，在失误真正发生之前提前给出修正策略。

这两套机制分别对应毫秒级反应和接触状态前瞻，在同一个任务里协同工作。

戴盟方介绍，这是他们相比纯视觉操作模型最重要的结构差异。

具身触觉派

“触觉”，是戴盟身上一直以来一个鲜明的标签。

戴盟介绍自家的技术路线时表示，不能只把触觉看作机器人身上的一个辅助传感器。

在他们看来，触觉同时贯穿了机器人操作的感知、决策、控制三层，

（触觉）是Physical AI理解真实世界的关键入口。

原玮浩解释道，视觉和语言都是真实物理世界的低维映射，要让机器人真正理解物理世界，必须引入触觉这样的原生物理模态。

这也是戴盟把触觉放到核心位置的原因。

物理世界里很多决定成败的信息，只有接触之后才会出现——物体是软是硬，表面是光滑还是粗糙，抓握时正压力和切向力分别是多少，这些信息都很难单靠看稳定推出来。

“只有加入触觉模态，才能够让语言和视觉真正具有物理意义，才能够让模型真正理解并操作物理世界。”原玮浩表示。

从行业角度看，这也是当前具身智能路线分化的一个缩影。

一部分公司继续提高机器人的视觉理解和动作规划能力，一部分公司强化本体、灵巧手和执行器，另一部分公司开始盯上真实接触中的数据缺口。

戴盟试图补齐机器人和物理世界接触时缺失的那部分信息，属于后者。

但，触觉路线也有自己的硬成本。

为触觉Scaling Law铺路

最令人头大的就是数据问题。

这方面目前主要有两个难点。

第一是规模化采集。

触觉数据并非单纯越多越好，更关键的是够不够全。

让机器人在1000种不同材质、不同形状、不同接触方式的物体上各碰10次，往往比在同一个杯子上反复抓1万次更有价值——因为模型要学到的是物理规律，而不是某个单一物体的操作记忆。

第二是多模态对齐。

机器人手指碰到物体的那一刻，触觉传感器要记录压力分布和纹理信息，摄像头要记录画面，控制系统要记录关节角度和力矩。

这些数据必须在毫秒级时间尺度上严格同步，否则模型学到的因果关系就可能是错的。

举个例子，比如明明是手腕先动导致物体形变，模型却误以为是物体先发生了变化。

为了解决这件事，戴盟搭建了外发式数据采集网络，把标准化采集模组部署到产业合作方场景里，让真实操作场景成为数据来源。

今年4月，戴盟联合Google DeepMind等全球数十家机构发布Daimon-Infinity，官方称这是全球规模最大的含触觉全模态具身数据集。

此外，原玮浩还告诉我们，虽然今天触觉Scaling Law的曲线还没人真正画出来，但戴盟相信它是存在的。

之所以还没涌现，很大部分原因是行业还没有形成公认的评估标准。

为此戴盟有所动作。

近日，戴盟与银河通用联合发布RobOmni，这是行业里首个同时支持真实数据训练和仿真训练的含触觉全模态物理交互评测基准。

先有公认的标尺，谈Scaling才有意义。

扣子3.0实测：手机就能远程遥控你电脑里的Agent

十三 2026-06-04 09:37:49 来源：量子位

金磊 发自 凹非寺

量子位 | 公众号 QbitAI

扣子，来了个大版本的升级——3.0正式发布！

现在做一个游戏，只需要给扣子看一眼就行。

例如我们给扣子发了个视频，然后只说了一句：

看一眼这个游戏，做一个类似《我的世界》的游戏项目。

一气呵成，一气呵成。

即便Prompt如此之简单，但《我的世界》界面、操作和交互，都在短短几分钟之内被扣子实现了出来。

但这个并非是扣子3.0这次大版本更新的重点。

这一次，扣子没死磕一个AI让它抗下所有事，反之，是让一群术业有专攻的Agent，组团来给你打工。

一句话概括，就是——

@一下，新一代AI团队，全队开工了。

除此之外，扣子的手机端 （iOS / Android）、电脑端（Mac OS / Windows）、网页端（coze.cn），也统统一道儿完成了更新。

你甚至可以用手机远程遥控电脑来完成工作！

那么现在的扣子3.0，它还能替我们做些什么具体的工作？效果又如何？

一波实测，Let’s go！

@一下就能全员就位

先来看第一个实测。

我们给扣子3.0抛了一个科技媒体编辑非常高频的需求：

做一个AI热点追踪仪表盘的网页Demo，用来每天追踪AI行业热点。

这个需求看起来简单，但真正做起来并不只是写个页面。

编辑要先判断今天哪些新闻值得写；还要补背景、查事实、找角度；接着要把需求拆成页面模块；最后才是代码实现。

所以我们没有让一个AI从头干到尾，而是在同一个项目里安排了4个Agent协作：

其中，小曜是扣子3.0自带的Agent；选题写作Agent、产品设计Agent和前端开发Agent，则是通过新建云端Agent的方式来自定义的。

在创建好需要的Agent之后，我们只需要新建一个项目，@这个几个Agent，然后附上一段Prompt即可：

做一个“AI热点追踪仪表盘”的网页Demo，用来每天追踪AI行业热点。 页面要求也尽量贴近真实工作场景：顶部是“今日AI热点总览”，中间是6张热点卡片，每张卡片包含标题、热度、写作角度和风险提醒；右侧是“选题优先级排序”；底部给出“今日可写文章标题建议”。

任务下达瞬间，几个专家Agent就各自开忙了：

在Agent们有来无往地交流过后，一个AI热点追踪仪表盘就这么水灵灵地诞生了！

以前的AI处理这类任务，通常会得到一个大而全的回答：前面讲选题，中间讲页面，后面突然开始写代码。

但扣子3.0的工作方式更像项目推进，整个过程的价值，在于它把一个复杂任务拆成了不同角色的连续劳动。

在上面的实测中，拉进项目里的Agent，正如我们刚才提到的，要么是扣子3.0自带的，要么就是在云端新建的。

不过对于你在本地已经用熟练的Agent，例如Claude Code、Codex CLI、OpenClaw等，扣子3.0现在也是支持一键导进来的。

如此一来，这事就从自己组一个AI团队，变成了把你原来用顺手的AI工具也拉进团队。

这一次，我们就可以用扣子3.0做一个更工程化的事儿了：

还是做“AI热点追踪仪表盘”，但要求不只是生成页面Demo，而是变成一个本地能跑的项目。

再接下来，我们进一步做个更有产品感的实测——

做一个AI编辑部桌宠。

Prompt是这样的：

开发一个“AI编辑部桌宠”的网页应用Demo。它常驻在电脑桌面角落，面向科技媒体编辑使用。技术栈使用React + Tailwind，整体风格可爱、轻量、有科技感。 桌宠形象可以是小机器人、小猫或者小光球，需要有4种状态： 待机时眨眼、轻微漂浮；思考时头顶出现加载动画；提醒时弹出气泡，说“今天还有3个热点值得跟进”；夸夸状态下，完成任务后给编辑一句鼓励。 左侧是“今日任务”列表，包括追热点、查资料、写标题、改稿子。右侧是“桌宠对话气泡”，展示它给编辑的提醒。底部有三个按钮：“帮我找选题”“帮我改标题”“提醒我休息一下”。 点击不同按钮后，桌宠状态要发生变化。 点“帮我找选题”，桌宠进入思考状态，并输出3个AI行业选题；点“帮我改标题”，桌宠给出3个更吸睛的标题版本；点“提醒我休息一下”，桌宠切换成关心语气，提醒用户休息。

虽然这类应用很迷你，但却足以考验扣子3.0几件事：

能不能把一个模糊创意变成清晰产品结构，能不能把好玩和有用结合起来，能不能直接生成可运行代码并说明后续如何扩展。

从效果来看，扣子3.0已经做到了从产品设定、交互逻辑、前端页面，一直走到后续工程扩展。

实测继续。

我们接下来再把一个选题内容直接变成一个视频。

首先，我们在编辑部群里，@多个Agent，用下面这句Prompt生成一篇文章（有种让Agent自己卷起来，我们只需pick好的结果的感觉）：

选择今天一篇关英伟达的选题，并生成1000字的科技文章。

然后我们新建一个视频项目：

把刚才生成好的文章丢进去，再附上一句简单的Prompt：

生成一条45秒短视频方案，风格要科技感、节奏快，适合微信公众号视频号或小红书传播。

视频生成项目默认的模型是Seedance 2.0，也有很多视频的风格可选择：

不到一会，适配编辑部文章的短视频就好了：

短视频创作的麻烦，在于它从来不是单点任务。脚本、分镜、角色、道具、镜头、字幕、配乐、剪辑节奏，每一个环节都能单独写一大段，但真正难的是它们要互相对齐。

扣子3.0的项目化能力在这里能发挥作用：角色、道具、文档等资产可以在项目里沉淀下来，后续不必每次重新定义。

最后一个实测，是手机和电脑的联动。

我们在本地电脑桌面上放了一个英伟达财报的PDF，然后在扣子3.0的手机端，直接让它从电脑桌面读取文件并解读：

我电脑桌面上有一个英伟达财报的文件，帮我调取并做分析。

过去很多AI工具最大的断点就在这里：它能给建议，但拿不到你的本地材料；它能写提纲，但不知道你电脑里那份速记到底讲了什么；它能分析趋势，但你还得先把文件上传、整理、复制、粘贴。

桌面端和移动端打通后，Agent可以在获得授权的前提下处理本地文件，任务也能在手机上继续推进。

如此一来，任务便不再被某一台电脑绑住，这正是Agent产品从工具走向协作对象的关键。

这次是真的能拉项目

把这几组实测放在一起看，扣子3.0最重要的升级，其实可以拆成三层。

第一层，是项目化。

过去很多AI对话更像临时问答，你今天问一个问题，明天再问一个问题，中间的资料、角色、产物经常散落在不同会话里。

扣子3.0把任务从对话推进到项目。资料、角色、任务、产物都放进一个项目空间里，围绕同一个目标持续推进。

这点其实是很重要的。

因为真实工作很少是一问一答解决的。写一篇稿子、做一个Demo、剪一条视频、开发一个小应用，都需要多轮推进、多角色协作、不断沉淀中间产物。

第二层，是Agent编排。

扣子3.0强调多人多Agent协作，不是把几个模型摆在一起让用户自己切，而是让不同Agent按角色参与任务。

选题Agent负责判断，资料Agent负责补背景，产品Agent负责拆结构，代码Agent负责实现，本地Claude Code或Codex负责工程检查。

角色清楚之后，任务自然就更容易推进。

这也解释了为什么“@一下全员就位”是这次升级的核心表达，因为用户需要的是一组可以被调度的AI伙伴。

第三层，是工具链打通。

Agent要真正干活，不能只停留在对话框里。

扣子3.0这次覆盖了编程项目、视频项目、本地Agent接入、行业技能包、多端同步、桌面端本地文件处理等一整套能力。

编程项目里，可以做网页、App、小程序，支持导入GitHub项目或本地项目继续开发，也支持一键部署到线上。视频项目里，可以围绕剧本、分镜、视频、音乐、续集生成持续迭代。行业技能包则把自媒体、法律、金融、互联网、医疗健康等场景里的专业能力打包成可调用的技能。

换句话说，面对一些垂直行业里的复杂任务，用户不需要从零调教Agent，也能先加载一套更接近专家经验的解题模板。

更准确地说，这些技能包不是简单给 Agent 加几个提示词，而是把行业数据库、专业方法和高频工作流封装成可调用能力。

比如金融场景里，可以围绕A股、基金等任务调用实时数据引擎和专业分析能力；法律场景里，可以检索法律法规和专业内容，辅助合同审阅、诉讼策略材料整理；医疗健康场景里，可以识别体检报告、结构化提取关键信息、整理健康档案；自媒体和科研场景里，也有爆款笔记洞察、标题生成、论文检索、文献引用溯源等技能。

这意味着，Agent 不只是更会回答，而是能带着更贴近行业经验的能力进入具体任务。对新人来说，它降低了从零摸索的门槛；对专业人士来说，它可以先接住检索、整理、初稿、结构化分析这些高频环节，把人的时间留给真正需要判断和经验的部分。

这些能力放在一起，才让Agent从会说走向能做。

从谁更聪明，到谁更会打配合

过去一年，AI产品的竞争很容易被简化成模型能力竞争：

谁更聪明，谁推理更强，谁写代码更好，谁上下文更长。

这些当然重要，但到了Agent产品阶段，另一个问题开始变得更关键：

一个AI再聪明，能不能和其他AI、工具、人类一起工作？

扣子3.0给出的答案，是把Agent产品做成一个协作系统。

它面向的不只是开发者，也包括创作者、复杂业务工作者和新手用户。

开发者可以接入Claude Code、Codex CLI、OpenClaw等本地Agent，也可以在编程项目里并行开发；创作者可以把脚本、分镜、视频、音乐和续集放进同一个项目；复杂业务工作者可以调用行业技能包；新手用户则不需要理解API、MCP这些概念，也能先从一个项目开始。

这背后其实是Agent产品的一个重要方向：

真正好用的Agent，不应该只比单点能力，而要看它能不能进入真实工作流。

能不能把任务拆开，能不能接住上下文，能不能调用工具，能不能沉淀资产，能不能跨端延续，能不能让用户少切窗口、少搬材料、少重复解释。

如果说早期AI产品像一个随问随答的聪明人，那扣子3.0想做的，更像一个能开工的小团队。

它不一定每个环节都替你做到极致，但它开始让不同Agent围绕同一个项目协作起来。

这就是这次升级最值得关注的地方。

AI Agent的下一步，不只是更强的模型，而是更像真实团队的工作系统。

以后你打开一个项目，@一下，AI全队开工。

刚刚，李飞飞亲自下场定义世界模型

鱼羊 2026-06-04 08:44:04 来源：量子位

鱼羊 发自 凹非寺

量子位 | 公众号 QbitAI

世界模型火，火到都有点乱了。

单单一个定义，就越来越众说纷纭：视频生成模型可以是世界模型，能生成游戏的语言模型也被叫世界模型，还有人把物理引擎也塞进这个筐里……

乱，乱得李飞飞本人都有点看不下去了。刚刚，她亲自撰文，给世界模型来了个清晰的功能分类。

用词毫不客气：世界模型是当今人工智能领域最重要也最被滥用的术语之一。

古希腊人无法就世界的构成达成共识，因为“世界”从来不是一个单一的实体。人工智能也继承了同样的问题，而此时，这个领域恰恰最需要的就是精准性。

至少，要先分清三件事：

渲染、模拟、规划。

话不多说，赶紧一起来做笔记。

世界模型的三大功能

李飞飞首先拆析了世界模型的技术意义。

智能体（人、机器人或系统）会采取行动，这些行动会影响世界的状态。

所谓“状态”，是对某一特定时刻世界所发生的一切的完整描述，包括每一个物体、每一个位置、每一个速度和每一个属性。

观察是主体对这种世界的客观实在的局部感知。行动是主体对这种实在的回应。

主体→行动→状态→观察→返回，赋予了“世界模型”以技术意义。现在被称为世界模型的各种事物，实际上是同一个循环的不同投射。

具体到功能上，李飞飞认为，世界模型具有渲染、模拟、规划三大功能。

其中，模拟器获得关注最少，但最关键，是连接渲染和规划的桥。

渲染器

渲染器输出给人看的观察结果，核心指标是视觉保真度。

谷歌的Genie 3，以及李飞飞自家World Labs的RTFM，都属于渲染器。

这些模型本身并不具备对三维结构的明确理解。它生成的是观众看到的画面，而不是实际存在的画面。

比如，AI生成的无人机航拍镜头中，建筑物从空中俯瞰可能完美无瑕，但如果你开车穿过下面的城市，就会发现它们摇摇欲坠。

李飞飞认为，渲染器是目前商业上最成熟的技术。比如Nano Banana，就是风靡全球的代表。

局限性在于，渲染器优化的是视觉上的逼真度，而非物理上的精确度。其输出结果非常吸睛，但无法用于建筑设计或机器人训练这样与现实世界结合更紧密的场景。

规划器

规划器输入观察和目标，输出下一步动作。

VLA模型和新一代世界动作模型都属于规划器，这些系统决定了机器人在非结构化世界中应该做什么。

规划器最吸引人，也最具发展潜力。具身智能就与此紧密相关，而大量热钱也正在涌入这一环节。

但李飞飞指出，近年来很多令人印象深刻的机器人演示，都局限于高度受限的实验室环境，目标对象范围狭窄，任务周期短，无法在真实世界部署所需的复杂性、可变性和持续时间下进行验证。

模拟器

模拟器输出可计算、可交互的状态，强调几何、物理、动态一致性。

模拟器要求几何结构经得起检验，在物理上符合物理定律，其动力学行为符合世界运行的方式。

模拟器同时服务于两个用户群体：

建筑师、设计师、电影制作人和游戏开发者等专业人士需要超越视觉逼真性的精确度。

强化学习智能体、机器人控制器和自动驾驶等领域则将模拟器作为训练场，以大规模地与世界交互，测试那些在现实中危险、昂贵或不可能运行的场景。

李飞飞认为，模拟是连接渲染和规划的桥梁。

如果说语言是对世界的抽象，像素是对世界的投影，那么几何、物理和动力学就是世界本身。

而模拟器，正是视觉外观（对于渲染器而言）和动作后果（对于规划器而言）得以生成的结构骨架。

仿真模型可以将自身的理解转化为像素图像供人类使用，并预测实体智能体的行为。机器人训练、自动驾驶测试、建筑可视化、工程设计和药物研发等都依赖于某种仿真技术。

其商业应用前景极其广阔，比如英伟达的Omniverse平台，就瞄准了这一超万亿美元的潜在市场。

问题在于，能用来训练模型器的数据太少了：具有明确几何形状、材料属性和物理标注的三维数据比渲染器训练所用的互联网视频少几个数量级。

模拟本身就与现实存在差异，而生成式模拟器还引入了新的风险：AI生成的东西可能看起来正确，但细究起来又有很多不符合物理的地方。

大规模多物理场模拟（刚体、可变形物体、流体、布料相互作用……）的成本更是比单域模拟高出几个数量级。

World Labs自家产品Marble旨在突破模拟环节的瓶颈：它支持文本、图像、视频或空间草图等多模态输入，生成可探索3D环境，并输出Gaussian splats和可供物理引擎操作的碰撞网格。

但李飞飞也强调：Marble仅仅是这一领域漫长发展历程的开端。

边界正在消融

李飞飞在这篇文章中的另一个关键观点是：三类模型正在相互融合。

渲染一个世界、模拟一个世界、在一个世界中行动，所需要的知识，在很大程度上是同一套知识。

举个例子：

如果一个模型真正理解一个杯子是如何放在桌子上的，包括其几何结构、材料属性、受力反应等等，那么它就应该能够从任意角度渲染这个杯子，模拟杯子被推动时发生什么，并规划一只手如何把它拿起来。

这三类能力，其实是对同一种底层理解的三种投影。

近期研究已经证明，至少在概念上，一个预训练视频渲染器可以作为联合世界预测和行动预测的骨干网络。

这暗示了渲染器和规划器之间的一座桥梁：

让同一个模型既想象接下来会发生什么，也想象接下来应该做什么。

Marble从单个模型中同时输出Gaussian splats和碰撞网格，就是渲染器和模拟器之间边界消融的一个体现。

每一个层级都在从被动输出，走向交互系统。渲染器正在变得以行动为条件。模拟器正在生成更可控、更可编辑的世界。规划器则正在从单纯反应，走向真正的审慎思考。

这个逻辑终点，是一个统一的世界模型——

一个基础模型，既能够渲染照片级真实的视图，也能生成物理准确的结构，并规划行动序列。

核心的挑战仍然是数据。

渲染器拥有海量互联网视频，但模拟器和规划器却严重缺乏3D资产和机器人演示数据。

追求视觉美感，可能会牺牲机器人或高保真模拟所需要的精度。如何在单一架构中调和这些矛盾，是今天世界模型研究最核心的开放问题。

但李飞飞乐观地表示：方向已经很清楚了。

三条本来相互独立的研究线索，如今各自已经驱动并塑造了数十亿美元级别的产业。而现在，它们开始表现得像同一件事。

当它们的边界共同塌缩，这种变化将重塑一个更大的问题：机器智能，和它所处的物理世界之间的关系。

这就是空间智能的漫长弧线。语言给了机器一种谈论世界的方式，而世界模型，将是机器最终理解、想象、推理并与世界互动的方式。

原文链接：

https://x.com/drfeifei/status/2062247238143996275

于程程 2026-06-04 08:15 北京

比亚迪入局人形机器人；安克创新向港交所提交上市申请；曝 Seedance2.0 单月营收超 10 亿元，且仍在爬升期

跳转微信打开

原创 Cynthia 2026-06-03 21:05 北京

千呼万唤，2026 年 6 月 1 日儿童节当天，MiniMax 第三代旗舰模型 M3 终于发布了。

光看官方解读，六个关键词就可以概括这款模型的全部亮点：Coding 能力、1M 上下文、原生多模态、Computer Use、低价 Token Plan、开源。

能力上，作为国内首个集齐了 Frontier 三件套——前沿 Coding/Agentic 能力、百万 token 级超长上下文、原生多模态的开源模型的国产模型，M3 的实力不必多提。

毕竟在此之前，能同时集齐这三项的，只有 Claude Opus 4.7、Gemini 3.1 Pro 和 GPT-5.5 这些海外头部闭源模型。

能力固然耀眼，但这次主要想聊一聊的，是它的价格。

官方信息显示，这次的 MiniMax Token Plan 设计上，个人开发者套餐分三档：Plus 49 元/月，6 亿 token；Max 119 元/月，18 亿 token；Ultra 469 元/月，55 亿 token。

换算下来，Max 档在相近价格下约等于 Claude 订阅的 15 倍用量。

过去在 Chatbot 时代，很多人可能对这种性价比没什么概念。毕竟用户问一句，模型答一句，成本还比较温和。到了 Agent 时代，模型开始学会读仓库、扫文件、跑测试、看日志、修 bug、跑测试。一次任务背后，可能是几十次、几百次模型调用。

于是，模型变聪明了，但成本也没多少人扛得住了。

而一个聪明又有足够性价比的模型，对很多个体以及企业而言，有时候往往就是 AI 真正走向落地的临门一脚。

过去大家讨论 AI 替代人、解放人，常常默认 AI 一定更便宜。

但这句话成立，是有限制条件的。

特别是 Coding Agent 场景，前段时间，一篇关于 Agentic Coding 成本的研究，分析了 8 个前沿模型在 SWE-bench Verified 上的运行轨迹发现一个有意思的现象：

Agentic Coding 类任务，token 消耗不是线性增长，甚至可以达到普通代码问答的 1000 倍。更麻烦的是，有时候，token 烧得更多，准确率并不一定继续变高，很多任务的准确率会在中等成本区间达到峰值，然后趋于饱和。

背后逻辑在于，Coding 需要用户把完整的项目文件、代码上下文喂给 AI，才能产出真正可用的代码。是典型的输入 token 远大于输出 token 的场景。越是生产级场景，上下文成本就越是贵得离谱，有时候，甚至会超过人力成本本身。

这也就解释了为什么很多过去在 AI 使用上非常激进的企业，从今年开始，出现了态度反复横跳：

一个极端案例是 OpenClaw。其创始人 Peter Steinberger 曾晒出 30 天消耗约 130 万美元 OpenAI API token 的账单，覆盖 6030 亿 token、760 万次请求，背后是约 100 个 Codex agent 在跑自动化开发任务。

Uber 更是 CTO 与 COO 先后公开下场吐槽，公司到 2026 年 4 月已经花完了全年 Claude Code 预算。

在这一背景下，MiniMax M3 的性价比已经不是便宜一点的问题，更是 Agent 真正普及前的临门一脚：

Agent 不能试错就做不了复杂任务；但试错太贵，企业就会关止步不前，个人开发者也会变得保守。

以前模型竞争的核心的是智力上限，agent 时代，单位成本下的有效工作量才是真正的重点。

这就是为什么我认为 M3 的性价比其实也是产品能力的一部分。

但支撑这个性价比的根源在于哪里？性价比背后，产品的体验又究竟如何？

价格解决的是敢不敢用，下一步用户关心的，是值不值得用。

M3 官方给出的 Coding benchmark 很好看：SWE-Bench Pro 59.0%、Terminal Bench 2.1 66.0%、SWE-fficiency 34.8%、KernelBench Hard 28.8%、MCP Atlas 74.2%。

这些数字当然重要，但我更建议把它们当成一个参考系，而不是结论。真正的亮点其实是官方用 M3 实现的两个实际案例：复现论文和优化 CUDA 的 Hopper FP8 GEMM kernel。

先看看 Hopper FP8 GEMM kernel 优化案例。

在这个任务里，M3 的起点只有任务描述、benchmark 脚本和一个不能直接运行的 Triton 骨架，没有 reference 高性能实现。

M3 在约 24 小时内完成 147 次 benchmark 提交和 1959 次工具调用，把 Hopper FP8 GEMM 的硬件峰值利用率从 7.6% 推到 71.3%，实现 9.4 倍加速。

这里最重要的细节其实不是最后的 71.3%，而是最优解出现在第 145 次提交。作为对比，除 Opus 4.7 和 M3 外，其余模型大多在前 30 次提交内不再取得新进展并主动退出。

也就是说，模型并不是前几轮灵光一闪就完成任务，而是在多个平台期里继续诊断、尝试、验证、推翻，再尝试。

这个过程里，模型需要需要维持目标、记住历史、理解 benchmark 反馈，还要避免在多轮改动中把系统搞乱。

这也是 Coding Agent 和代码补全工具的分界线。一个普通 vibe coding 群体可能没意识到的现实在于，真实的生产级环境中，无论 AI 还是人类，产出代码第一次跑不起来很正常；跑起来之后性能差也很正常；优化完引入新 bug 也很正常。而工程任务的大部分时间，都花在诊断、验证、回滚、再尝试。

这个能力的背后，不能只靠模型参数更大，还需要训练数据更接近真实用户逻辑。为此，MiniMax 构建了交互式用户模拟器，模拟真实开发者在同一个 session 中不断补充需求、调整方案、派发任务、反馈修正。

这也是为什么我在前面说，benchmark 结果漂亮固然很重要，但不能直接将其平移到生产环境。今天很多 coding benchmark 仍然是 single-turn task，但真实协作一定是 multi-turn、multi-file、multi-tool、multi-objective。谁能把训练和评测从一次性解题推进到持续协作，谁才更接近下一代 Coding Agent。

另外再看一下复现论文案例，这个也同样很有意思。M3 被要求复现 ICLR 2025 Outstanding Paper Award 论文 Learning Dynamics of LLM Finetuning。它自主运行了接近 12 小时，产出 18 次 commit 和 23 张实验图表，跑通核心实验，并观测到 SFT 阶段预测概率变化、DPO 的 squeezing 效应，以及 Extend 缓解方法。

这个任务的特点在于任务本身够复杂，需要的能力也够多。模型要读论文正文，理解公式和图表，写实验代码，跑训练脚本，检查结果是否对齐论文结论，再根据偏差调整实验设置。这就需要，模型的智能上限、长上下文、编程、多模态、工具调用、事实纠偏各种能力必须同时成立。

而 M3 的一大特点，正在于它是从 Step 0 开始做多模态混合训练，而且使用的是文本、图像和其他模态自然交错的数据。

放到 Agent 语境里，它意味着模型更容易进入真实工作现场，帮开发者看架构图、错误截图、性能曲线、PR 页面和终端输出，帮研究员读论文正文，以及表格、图像、曲线和公式。还能帮企业员工在 ERP、Excel、网页后台、本地客户端、聊天工具之间来回切换，让多模态与智能本身，成为牢不可分的一体两面。

我在测试里直接让 AI 根据《西游记》小说，制定一个交互地图。

完成这个任务的难点在于，首先模型要自己找到《西游记》原文共 100 回，60 余万字并通读理解。

在此基础上，做西游交互地图最难的是原著地名散乱、虚实空间混杂：行程描述只写里程但没有坐标，所有的动线、事件跨百回分布，必须全本上下文统筹梳理空间关联；而仙界洞府等多层平行空间中的各种虚构场景没有现实 GIS 参照，同时一些凡间位置，虽然有现实世界原型，但又并未在书中明说。

要把这些文字描述转成地图画面、自动生成开发代码，对模型的上下文能力、工具调用能力、多模态能力、agent 协作能力，甚至审美都是不小的考验。

向上滑动查看

这是最终的生成 HTML 页面的截图（部分展示），可以看到，不仅路线图与剧情完全吻合，甚至不同地点可能对应的现实世界方位，也基本一致。

比如五行山对应现实世界河北五指山，法门寺在陕西西安，通天河在青海玉树附近，而流沙河对应现实世界新疆塔里木的开都河，与现实世界原型的参考方位几乎一一对应。

讲完价格和 Coding，到这里，很多人应该也就能理解 M3 设计的稀疏注意力机制支撑起的 1M 上下文背后的逻辑了。

长上下文现在已经不稀奇。很多模型都在宣传 200K、1M，甚至更长。问题在于，窗口长不代表模型会用。

Agent 不可能每一步都从零开始思考，它必须把过去的失败、用户偏好、项目结构、工具反馈沉淀进上下文。相应的，模型的上下文中会堆满了超长的代码文件、终端日志、失败记录、benchmark 输出、用户反馈、历史工具调用和中间推理痕迹。

长上下文是实现这一切的基础。但有时候，窗口越长，也就意味着各种中间状态、无关内容构成的噪音越多，输出质量越差，成本也越容易爆炸。

在这一背景下，使用稠密注意力，上下文长度的扩张以及输出效率会受到限制，成本也会随之失控。

使用普通稀疏注意力，能省成本，但容易牺牲细粒度信息定位能力。

但偏偏，Agent 执行过程中，最怕漏细节。一次工具调用里的关键报错、某个代码文件里的边界条件、某张图里的曲线异常，都可能决定任务能不能继续。

因此，实现长上下文本身不难，真正难的是如何实现成本、效率、命中率的三者得兼。

了解行业背景的都知道，MiniMax 不是今天才开始做长上下文和稀疏注意力。

2025 年年初的 MiniMax-01 就用了 Lightning Attention，并且把模型训练上下文做到 1M，推理上还尝试外推到 4M 的更长上下文；

后来去年同一时期的 MiniMax-M1 继续使用 hybrid attention，加上 MoE 和强化学习，主打长上下文、长推理和复杂软件工程任务。

到了后来的 M2，MiniMax 还一度短暂回退到稠密注意力路线，直至此次 M3，MiniMax 借助 MSA 再次回归稀疏注意力。

相比业内的其他稀疏注意力方案 DSA、MoBA 等，MSA 通过 scalable sparse attention、document-wise RoPE、KV cache compression 和 Memory Parallel 等设计，可以把训练和推理复杂度做成线性，并在从 16K 扩展到 100M tokens 时保持低于 9% 的性能退化。并通过精准 KV 分块升级，在算子层通过 KV outer gather Q 减少重复读取，整体的计算访存比是开源的 Flash-Sparse-Attention 和 FlashMoBA 的 4 倍以上。

而借助MSA，M3 能做到 1M 上下文下每 token 计算量只有上代模型 1/20、prefill 超过 9 倍加速、decoding 超过 15 倍加速。多数场景下，能力直接追平全注意力模式。

这类优化听起来很底层，但用户端会感受到两件事：长任务跑得便宜，并且信息的把握非常精准。比如这里，我

把一整本《国富论》喂给 M3，做了一个亚当斯密逻辑下的模拟世界游戏。

这其中的难点在于，《国富论》通篇都是定性社科论述，分工、财税、外贸、资本、薪资的经济传导逻辑零散分布全卷，只有百万级上下文才能完整通读全书，提炼环环相扣的量化演算规则，把斯密的文字理论转化成税率、生产率、财富联动的数值公式。

在此基础上，要完成模拟世界游戏的构建，还需要靠 Agent 不断完成长时序推演，理解玩家减税、修路等政令可能导致的结果，最后还能分短中长期按古典经济学逻辑迭代面板数据，全程不能违背原著底层经济规律。

最后结果上，可以看到 M3 精准还原了斯密理论在实际生活中环环相扣，税制、关税会直接左右生产率与财富增减，办学政策会在中期、长期对税务、对劳动生产率、对国家财富积累以及人口产生不同的影响。用户自定义政策后，系统会自动逐年演算经济变迁，完整还原国富论里政策随时间释放经济红利的设计。

而长上下文也只有做到这一步，才有意义。

M3 的发布背后，各种单点优化固然重要，但它同时也是国产模型开始从追 benchmark 转向做系统、让 agent 真正能落到所有企业与个人日常所需中的一个重要尝试。

复杂任务需要长上下文。长上下文会带来成本、速度和信息命中率问题，所以需要 MSA 这种更高效的注意力机制。

Coding Agent 需要持续迭代。持续迭代会消耗大量 token，所以模型既要会写代码，也要能在多轮失败里维持目标、读懂反馈、继续推进。

真实工作环境是多模态的。只会处理文本，Agent 就很难处理截图、图表、后台、Excel、PR 页面和终端输出混在一起的任务。

高频使用还要足够便宜。否则用户不会让 Agent 充分试错，企业也不敢把它接入真实流程。

每个点单独看都不是第一次出现，但组合起来构成的，是 Agent 能力进入开发者和企业日常工作流的敲门砖。

跳转微信打开

从看懂世界到做对动作，卧安机器人OneModel 1.7用一条「隐式通路」打通了具身智能的关键断层

思邈 2026-06-03 20:28:44 来源：量子位

具身智能行业悬而未决的一个核心问题，有了一种新的回答。

World Model「看懂了」环境变化，动作策略却依然「做不对」——这个从理解到执行的传导断层，是当前制约家庭机器人走出实验室的关键瓶颈之一。

5 月 20 日，卧安机器人（OneRobotics，6600.HK）正式发布自研世界动作模型OneModel 1.7 FrontoStria-RL，给出了一套系统性的解决方案：用一条名为 Predictive Policy Latent的隐式传导通路，把世界模型对场景的理解直接「灌」进动作执行模块——不靠显式的中间图像或坐标传递，而是在潜在空间中完成信息传导。在此之前，支撑这一架构的两篇核心论文已于 5 月 12 日在 arxiv 公开。

实测成绩相当能打。在具身智能标准评测基准 LIBERO 上，OneModel 1.7 平均成功率达到 99%，领先 π0.5、GR00T-N1.5、OpenVLA-OFT 等主流公开模型；真机部署中，日常操作任务成功率 99%，高精度任务成功率 97%。

这家由哈工大 90 后校友李志晨创立、「中国机器人教父」李泽湘教授与微电子专家高秉强教授同时担任董事的公司，2025 年底以约 18 亿港元募资规模登陆港交所，是具身智能领域截至目前 IPO 融资规模最大的公司。但这篇文章关注的不是它的商业化成绩，而是它刚刚发布的模型架构。

差不多同一时间，高盛于 5 月 26 日发布了中国人形机器人中期盘点报告（Mid-year check-in: Several steps closer toward commercial reality），披露了其对中国 14 家头部机器人企业的调研情况。但值得注意的是，这 14 家涵盖了硬件、传感器、自动化等不同环节的公司，其中被高盛明确点名为「正在推进 VLA + World Model 融合方向」的只有 4 家，卧安机器人是其中唯一的上市公司——One Robotics（卧安机器人，6600.HK）、Galaxea（星海图）、Galbot（银河通用）和 Spirit AI（千寻智能）。报告在卧安机器人的调研介绍中，直接提及了 OneModel 1.7 的 latent world action model 架构，以及 motion-centric control 和 success memory 等核心模块。

高盛在报告中指出，行业讨论正在从单一 VLA 框架，快速转向 VLA / VTLA 与 World Model 融合的多模态执行栈，而高质量真实世界数据仍然是制约实际部署的首要瓶颈——这两个判断与卧安 OneModel 1.7 的技术方向和数据布局高度吻合。

这件事为什么值得拆解？因为它回应的不是「模型参数要不要更大」的问题，而是一个更根本的架构问题：World Model 和动作模型之间，到底该怎么接？

NVIDIA 澳门站：从仿真到客厅

故事的一个具体切面，发生在 NVIDIA 创业企业展示澳门站。

2026 年 5 月，卧安机器人《From Isaac Lab to Your Living Room》为主题亮相。这个主题本身就传递了一个信号：卧安关注的不只是仿真环境里的训练效果，而是从仿真训练到模型迭代再到端侧部署的全链路闭环——最终目标是让机器人真正在你家客厅里干活。

展示中，搭载 OneModel 1.7 的卧安保姆机器人 onero H1 在模拟家庭场景中完成了洗衣全流程：自主识别散落衣物，规划路径避障，抓取柔性衣物，打开洗衣机门，分类投放，关闭舱门。根据现场演示，全程无遥操作介入。

搭载 OneModel 1.7 的 onero H1 在模拟家庭场景中完成洗衣全流程，全程自主决策、无遥操作

但这次展示的看点不在于「又一个机器人洗衣服的 demo」。把它放到 NVIDIA Physical AI 和 Isaac Lab / Isaac Sim 仿真工具链的大背景中看，更值得关注的是卧安机器人（OneRobotics）的技术路线选择：它没有走单一 VLA 端到端映射的路线，而是构建了一套将 World Model 与动作执行模型通过隐式传导机制连接起来的架构—RL-Latent World Action Model（RL-LWAM）。

据了解，在具身智能创业公司中，卧安机器人是最早提出并落地「通过隐式传导架构连接世界模型与动作模型」这一技术方向的公司。当行业大部分团队还在围绕单一 VLA 或单独的 World Model 做文章时，卧安选择把两者用一条隐式通路接起来——这个判断现在看来踩到了行业演进的方向上。

拆解 OneModel 1.7：一条从理解到执行的隐式通路

OneModel 1.7 FrontoStria-RL 的 RL-LWAM 架构，拆开来看其实在回答一个核心问题：怎么让世界模型对环境的理解，真正传导到机器人的动作执行上？

RL-LWAM 架构由三大核心模块组成，彼此通过一个关键的隐式传导机制——Predictive Policy Latent——连通，而非依赖显式的中间图像或坐标传递。

OneModel 1.7 FrontoStria-RL 完整架构。Predictive Policy Latent 作为核心传导机制，连接 World Model、Understand Expert 与 Action Expert。

World Model：跨场景泛化的基础

World Model 模块负责对环境状态和任务演化建立预测能力，包括物体关系、空间结构和动态变化趋势的理解。在家庭场景中，这意味着机器人需要理解「碗架从左边挪到了右边」「橱柜门角度变了」这类人类觉得不值一提、但对机器人而言是全新场景的变化。

World Model 不直接输出动作指令，它输出的是对当前场景和任务状态的结构化理解。关键问题是：这些理解怎么变成机器人能执行的动作？

Predictive Policy Latent：连接理解与执行的关键传导机制

这是 OneModel 1.7 架构中最值得关注的设计。Predictive Policy Latent 不是一个独立模块，而是一个隐式传导机制——它把 World Model 对场景、物体、空间关系和动作后果的理解，压缩转化为一组潜在空间中的策略表征，再传递给下游的 Understand Expert 和 Action Expert。

为什么用「隐式」而非「显式」？在传统管线式架构中，World Model 的输出往往是显式的中间表示，比如预测的下一帧图像、关键点坐标或语义标签。这些显式信号在传递过程中会丢失信息、引入生成幻觉和推理延迟，在开放家庭环境中尤其脆弱。Predictive Policy Latent 的做法不同：训练时用「未来信息」来教会模型什么是好的动作决策方向，部署时则只靠当前观测就能做出等效判断——信息密度更高，推理更快，且不引入生成式噪声。

这条隐式通路的价值，最终体现在端到端的真机部署结果中：OneModel 1.7 在日常操作任务（洗衣、叠衣、洗碗机操作等）上达到约 99% 的平均成功率，在拔插试管、倒咖啡豆等高精度任务上达到约 97%。这些任务涵盖了从柔性物体操作到极小容错空间的精细操作——从结果来看，World Model 的场景理解经过 PPL 隐式传导后，确实在驱动下游的任务分解和动作执行上发挥了作用。

Understand Expert + Skill 体系：任务理解与技能调度

Understand Expert 模块处于 World Model 和 Action Expert 之间，负责将世界模型提供的场景理解与具体的任务指令对接，进行 Skill 调度。面对「把衣服放进洗衣机」这样一个看似简单的指令，Understand Expert 需要分解出一系列子技能：定位衣物、判断抓取策略（柔性物体需要区别于刚性物体的抓取方式）、规划移动路径、识别洗衣机状态、执行投放动作。

Skill 体系的价值在于复用。一旦某个子技能（比如「打开带手柄的门」）被模型习得，它可以在不同任务和不同场景中被调度复用，而不需要为每个新任务从头训练。

Action Expert + MCF-Proto：精准执行的底层引擎

Action Expert 负责最终的动作输出。其中一个关键组件是 MCF-Proto，全称 Motion-Centric Action Frame。当前主流 VLA 模型的 action head 几乎都是在固定世界坐标系下直接预测位移，这种方式对相机视角变化和机器人初始位姿偏差非常敏感。MCF-Proto 的做法不同：它围绕任务相关的局部运动结构（比如门铰链、导轨、折叠线）组织动作原型，再映射回实际机器人动作，从表征结构层面降低几何扰动带来的分布偏移。

LIBERO-plus 扰动测试直接验证了这一设计的效果。在七类扰动条件下，MCF-Proto 在六类中取得最优结果。其中最具实际意义的两类是 Camera（相机视角变化）和 Robot（机器人初始位姿偏差），MCF-Proto 分别达到 69.7% 和 66.0%，领先最强基线 3.3 和 15.7 个百分点。这两类恰恰是家庭环境中最常见的变化——你每天把机器人放在客厅的起始位置都不会完全一致，摄像头角度也会有微小偏差。

LIBERO-plus 七类扰动鲁棒性对比

RL 闭环 + Success Memory：持续进化的机制

RL-LWAM 架构中的「RL」不只是指训练阶段使用强化学习，更指向一套部署后持续进化的闭环机制。

强化学习闭环将真实部署中的反馈持续回流至模型。而 Success Memory 机制则进一步筛选和存储成功执行的经验轨迹，配合 Retrieve-then-Steer 策略，在面对新任务或新场景时，模型可以先检索最相关的成功记忆，再据此调整当前的动作策略。SimplerEnv 仿真测试验证的是 Retrieve-then-Steer 机制的增益——该机制将 CogACT 的平均成功率从 75.8% 提升至 79.5%，提升 3.7 个百分点，说明 Success Memory 确实能在不更新模型参数的情况下带来可观的适应性增益。

SimplerEnv 平均成功率对比

这意味着 OneModel 1.7 的能力不是一个固定的快照，而是被设计为随着部署规模扩大、真实反馈不断积累而持续增强的系统。按照这套设计逻辑，每一台部署在真实家庭中的机器人，都可以为模型的整体进化贡献数据——当然，这套机制的实际进化效率还有待更大规模的部署验证。此外，HITL（人在环）监督机制为模型进化过程提供安全约束。

评测数据怎么看

官网披露的评测体系覆盖了三个层面，每组数据验证的是 RL-LWAM 架构中不同模块的贡献，不能混在一起看：

系统整体能力（LIBERO 标准测试）。 99% 平均成功率，领先 π0.5、GR00T-N1.5、OpenVLA-OFT。官网明确指出，这一结果来自「RL-LWAM 各模块的协同」——World Model 的泛化表征、Understand Expert 的任务规划、MCF-Proto 的动作参数化、以及 RL 闭环的持续优化共同作用的结果，而非某个单一模块的功劳。

标准 LIBERO 平均成功率对比

端到端真机验证。日常操作约 99%、高精度任务约 97%、真人对打乒乓球接球 91.2%——这三组数据反映的是整套架构从理解到执行、从传导到反馈的全链路效果。尤其是乒乓球接球，涉及高动态、高精度、实时对抗，World Model 提供来球轨迹的快速预测，Action Expert 在极短时间窗口内生成精准动作，RL 闭环通过大量对打训练持续优化击球策略——这个场景天然要求所有模块同时工作，是对架构完整性最直接的检验。

日常操作与高精度任务成功率

真人对打乒乓球动作阶段成功率

家庭具身智能最大订单背后：真正稀缺的是真实家庭数据

2026 年 5 月，卧安机器人（6600.HK）中标深圳市「AI 生态创新社区设备购置与场地搭建项目」，金额 4,495.32 万元。这个项目值得关注的原因不在于金额本身，而在于它的内容：建设一个「具身智能数据全链条服务中心」，包括具身机器人本体（onero H1）、UMI 数据采集终端、数据管理一体化平台，以及家庭服务、康养、零售等多类型真实场景搭建。

据了解，这是目前业内规模最大的聚焦家庭场景的具身智能数据采集中心项目。

在当前的技术竞争格局中，模型架构的差异固然重要，但制约家庭具身智能落地的真正瓶颈，越来越多地指向数据。工业场景的数据采集有成熟的产线和标准化工位可以依赖，但家庭场景的数据采集没有这个条件——你需要在真实的厨房、卧室、客厅中，让机器人反复执行洗碗、叠衣服、收纳整理这些任务，采集真实的操作轨迹、力觉反馈、场景变化数据。

这批数据对 OneModel 的迭代价值是直接的。RL 闭环需要真实反馈，Success Memory 需要真实的成功经验轨迹，MCF-Proto 需要多样化场景下的动作帧数据来构建更泛化的运动原型。一个足够大规模、足够多样化的真实家庭数据工厂，是模型进化引擎的燃料来源。

从行业视角看，当大部分具身智能公司还在用仿真数据和实验室场景训练模型的时候，能率先切入真实家庭数据基础设施的建设，意味着在数据维度建立了一个不容易被快速追赶的位置。

「一脑多形」：OneModel 作为跨形态底座

OneModel 不只是卧安保姆机器人 onero H1 一款产品的 AI 大脑，而是卧安机器人（OneRobotics）「一脑多形」技术体系的核心底座。

卧安目前的产品矩阵覆盖三个方向：家庭服务场景的卧安保姆机器人 onero H1、运动健康场景的网球机器人 Acemate、情感陪伴场景的陪伴机器人 Kata Friends。这三类产品的硬件形态差异巨大——从双七自由度机械臂的人形机器人，到专注球类运动的运动机器人，再到主打情感交互的陪伴机器人。

卧安「一脑多形」产品矩阵

但它们的底层 AI 能力都来自同一套 OneModel 体系。这里的关键不是「一个模型跑在不同硬件上」这么简单。一脑多形的实际运作方式是：World Model 对环境的理解能力、Understand Expert 的任务分解和 Skill 调度能力、以及 Success Memory 积累的经验，在不同形态的机器人之间共享和迁移。

这不是停留在设计图纸上的构想——Kata Friends 的模型就是在保姆机器人 onero H1 的 OneModel 基础上做的蒸馏，场景理解和物体属性判断等核心能力直接继承自 H1 的训练成果。而 Acemate 在高动态运动场景中积累的实时响应经验，也在反哺 OneModel 对快速变化环境的处理能力。换句话说，一脑多形已经不是概念，而是正在运转的技术复用链路。

一脑多形的效率价值在于：不同形态的机器人不再各自独立训练、独立积累经验，而是共享一个持续进化的 AI 底座。卧安机器人（OneRobotics，6600.HK）是目前具身智能行业中商业化落地规模最大的公司之一，产品覆盖超过 90 个国家和地区，服务超过 500 万家庭。这意味着多形态产品在全球范围内持续产生的真实交互数据，都在为 OneModel 的迭代提供多样化的训练信号——这是纯实验室团队很难复制的数据优势。

结语

OneModel 1.7 FrontoStria-RL 的核心贡献，不在于刷新了某个评测排行榜的数字，而在于给出了一个此前行业悬而未决的问题的系统性回答：World Model 看懂了世界之后，怎么把这份理解真正传导给机器人的双手？

Predictive Policy Latent 这条隐式通路能不能在更大规模的真实家庭场景中持续验证，是接下来最值得关注的事情。而随着家庭具身智能领域最大规模数据基础设施项目的启动，真实家庭数据开始规模化回流，RL 闭环和 Success Memory 的进化飞轮也有望真正转起来。

具身智能正在从「能不能做出来」走向「能不能持续可靠地在真实世界中工作」。当行业普遍还在讨论模型参数的大小和仿真 demo 的炫酷程度时，卧安机器人选择了一条看起来不那么「性感」但可能更扎实的路：先打通从理解到执行的传导通路，再用真实世界的数据闭环让这条通路持续进化。

如果这条路走通了，家庭机器人从「偶尔能做对」走向「持续可靠地工作」，也许比我们想象的更近一些。

Sepehr Khosravi discusses the evolution of developer productivity tools. Evaluating the strengths of tools like Cursor and Claude Code, he explains actionable techniques for senior engineers - including context engineering, custom rules, and Model Context Protocol (MCP) integrations. He shares real-world benchmarks and strategic frameworks for balancing AI adoption with clean code quality.

在2026世界智能产业博览会现场，观众围在中国电信展位前，一声“悟空，跳个舞”，那只不大的AI人形机器人立刻抬手摆臂，萌态十足地回应——掌声和笑声随之响起。

以“科技赋能家庭，智享美好生活”为核心，中国电信在现场重点展出了天翼智屏与 AI桌面机器人“悟空”两大核心产品，让观众亲手触摸、亲口对话，直观感受到人工智能不再是概念，而是落地的家庭生活日常。

科技为家庭生活带来的便捷与温暖

此次在智博会现场展出的美好家AI桌面机器人“悟空”，打动现场观众的，是它的“活”。机身头顶设有触摸区域，孩子轻轻拍打头部，“悟空”会表现出喜欢；用力拍打则会露出难受表情并示意停止；跳舞久了甚至会展露疲惫、做出休息动作，拟人化反馈不再是预设录音，而是基于交互状态的实时回应。依托智能视觉技术，它能完成实物识别、绘本朗读、英文翻译、编程启蒙等任务。

此外，中国电信还推出了AI康养陪伴机器人，分为家庭版与机构版分别聚焦居家养老、机构养老场景需求，打造用药、健康、安全三重守护体系，实现智能服务、智趣陪伴、智能探视三大关爱升级。

技术创新

打破家庭AI场景单一功能边界

过去十年，家庭智能化的痛点一直很明确：买了一堆智能设备，却发现它们各说各话——电视是电视，音箱是音箱，摄像头是摄像头。而天翼智屏就是中国电信创新打造的新一代家庭交互中心与AI核心入口。

天翼智屏将技术自研作为发展根基，一方面，深度整合自主研发的星辰大模型能力，在支持普通话识别的基础上，兼容粤语、上海话等多地方言；另一方面，天翼智屏以科技创新回应用户现实需要，产品高效整合了家庭内分散的影音娱乐、通信联络、家居控制、安防监控、社区服务等功能，通过统一的界面和交互入口，实现“一屏控全屋”，被业界视为探索数字家庭场景中智能设备统一交互的成功尝试。

此外，天翼智屏承接“天翼高清”大屏的视听生态与“小翼管家”小屏的便捷服务，打造家庭语音交互中心、智能控制中心、AI应用生态中心。天翼数字生活公司以天翼智屏为核心，首创“家—社—乡”多场景联动模式，助力打通家庭与社区、乡村之间信息壁垒与服务断点，通过加载社区公告、远程开门、小区慧眼、乡村通知、乡村慧眼等便民服务，将便捷高效的AI服务延伸至社会服务的神经末梢，推进智慧社区与数字乡村建设。

中国电信近期发布的数字家庭空间智能新产品，则赋能智能家庭服务的“眼睛”和“地图”。该产品通过核心技术突破，构建自主可控的家庭空间智能技术体系，推出沉浸式3D实景相册、零门槛3D家居环境DIY设计、全场景AI语音智能寻物、全空间可视设备操控四大创新应用场景。

AI构建便捷、温馨、智能的美好生活

两款核心产品在智博会的同台亮相，生动诠释了中国电信“美好家”服务理念。中国电信以云网融合与数字平台为底座，提出“一张全光网、一朵智能云、一个美好家”，围绕安全、健康、娱乐、低碳、智能五类场景，为用户构筑AI时代的“美好家”。

在这个体系里，FTTR全光组网把光纤铺进每个房间，让全屋多设备并发不掉速，为所有AI终端提供稳定的“神经网络”；天翼智铃接入了自研的星辰大模型，输入文字、语音或图片指令，它就能生成个性化图片、视频，还能一键设成视频彩铃；天翼智存和天翼云盘深度打通，实现“本地+云端”双备份，手机照片“碰一碰”就能秒传，AI自动按人物、场景智能分类，一键精准搜索，还能和家人共享相册；天翼智看依托天翼视联AI能力，重点守护“一老一小”，像个全天候在线的安全卫士……

正如中国电信集团公司市场部副总经理沈骏祥在2026天翼数字生活新品发布会上所言，中国电信始终牢记初心使命、勇担行业责任，深入实施“云改数转智惠”战略，率先推进从传统流量经营向Token经营的战略升级，全面打通Token算力生产、智能调度、场景落地全链条。未来，中国电信将持续依托Token经营创新赋能，让优质数字服务普惠万千家庭；坚持开放共享的合作理念，持续完善美好家产业生态。

（图片来源：摄图网）

END

 向“通信信息报”投稿，请致信：txxxb2001@163.com，

稿件一经刊发，将根据文章质量，

提供千字200元-500元的稿酬。

其他合作、建议、新闻线索，

欢迎于微信公众号后台联系我们。 

不良信息举报电话：0591-83365173。

RECOMMEND

推荐阅读

●车企步入AI眼镜赛道　跨设备创新强生态

●北斗护航低空经济　融合创新助安全与发展双向奔赴

●从“卖流量”到“卖Token”　中国电信的跨越与重塑

专注做内容的公众号

 

查看原文 →

世界模型榜首易主！跨维智能登顶WorldArena

量子位的朋友们 2026-06-03 17:54:18 来源：量子位

在英伟达、谷歌等巨头布局的世界模型赛道，跨维智能拿下具身数据引擎全球第一

WorldAreana榜单第一易主！跨维智能世界模型赶超英伟达、谷歌

领先WoW、BLM旗舰世界模型，跨维智能拿下 WorldArena全球第一

甩开 WoW、BLM旗舰世界模型，跨维智能登顶 WorldArena

跨维智能登顶权威榜单WorldArena，世界模型卷向落地价值

不到一周，WorldArena榜首再易主：中国公司攻占世界模型硬核赛道

落地能力决胜榜单，跨维智能登顶 WorldArena

全球世界模型榜首易主：跨维智能登顶刷新WorldArena最高分

对标谷歌、英伟达，跨维智能拿下 WorldArena 榜首

英伟达、谷歌重兵布局的世界模型赛道，被这家中国具身智能公司突围了

角逐英伟达、谷歌，跨维智能自研世界模型登顶WorldArena榜首

正文：

近日，全球具身世界模型权威评测基准 WorldArena 公布最新榜单。在 5 月 25 日截止的最终榜单中，跨维智能登顶 Track 2 赛道全球第一。

可以说是，在英伟达、谷歌等全球科技巨头深度布局、重兵把守的世界模型核心腹地，跨维智能实现了强势突围。

本次登顶不仅与榜单第二名拉开显著比分差距，更显著领先 WoW、BLM 等一众国际模型，大幅刷新该赛道全球最优成绩。

这再一次证明了跨维智能的底层技术实力已稳居全球具身世界模型第一梯队。

顶流同台竞技：实用能力领跑全球榜单

当前，世界模型已是英伟达、谷歌、OpenAI等全球AI巨头的核心布局赛道。伴随赛道竞争愈发激烈，一套科学权威的评测体系，成为甄别模型真实能力、引领产业发展的关键。

由全球顶尖高校及科研机构的权威专家共同打造，WorldArena 是目前世界模型赛道最权威的榜单，拥有行业最严苛的评测基准。该评测构建了包含16项细分核心指标和3大真实应用任务的立体化评估体系，全方位严苛考察具身世界模型的感知精度、物理规律理解、三维空间认知以及动作预测与实际落地能力。依托严苛、全面、贴合产业落地的评测标准，WorldArena汇聚全球顶尖科研团队与头部企业模型同台比拼。

评测设立两大核心赛道，能力定位截然不同：Track 1 侧重视觉画面、动态效果、物理一致性等感知表现，偏向可视化技术展示；而本次跨维智能登顶的 Track 2（Data Engine），是实战门槛、技术含金量双高的核心赛道，也是真正衡量模型产业价值的硬核标尺。

Track 2（Data Engine）赛道不比拼画面是否逼真，核心考核世界模型作为数据合成引擎、策略评估工具与行动规划载体的全链路落地能力。参赛模型需要依托初始场景观测与文本指令，自主模拟完整机器人交互流程、生成高质量训练数据，最终以机器人实际作业任务成功率作为核心评判标准，检验世界模型数据生成、策略训练、任务落地的全链路硬实力。

此次世界模型DSCFuncWorld成功登顶，印证了跨维智能拥有行业顶尖的环境推演与物理认知能力，更凸显出其突出的工程落地优势。模型可将虚拟推演结果高效转化为可用的机器人训练资产，充分验证了跨维智能在具身数据生成、仿真训练闭环、策略赋能、虚实迁移等全链路技术实力。

底层技术闭环铸就长期竞争力，赋能具身智能规模化发展

值得关注的是，跨维智能本次登顶并非单点、偶然的技术突破，而是长期深耕具身智能底层技术、坚持数据与模型双轮驱动的必然结果。

本次冲榜的DSCFuncWorld，属于跨维Dex系列模型，由跨维智能自研核心底座DexWorldModel (https://dexforce.com/technical-report/#/DexWorldModel) 简单适配而来。

该原生模型主打因果隐空间建模，依托DINO语义特征空间精准建模未来世界状态，重点强化环境纹理、物体关联、物理规则的鲁棒表达，仅需轻量化改造即可快速生成高质量推演视频，极致发挥数据引擎与策略评估的核心价值。

Track 2赛道的核心竞争力，在于模型生成数据的可训练、可迁移、可执行，这也是长期制约通用具身智能产业化的核心瓶颈。不同于常规模型只追求视觉观感真实，跨维智能始终聚焦数据落地有效性：一方面，模型生成的推演过程、场景轨迹与真实机器人任务高度契合，保障训练数据的适配性；另一方面，生成内容严格遵循物理规则与机器人运动逻辑，具备极强的可操作性，能够有效支撑策略模型迭代优化。

[Open laptop.mp4]

此前，团队推出的EVA技术框架(EVA: Aligning Video World Models with Executable Robot Actions via Inverse Dynamics Rewards；https://eva-project-page.github.io/) ，通过逆动力学奖励机制对齐视频生成与机器人可执行动作，有效解决了行业普遍存在的“视觉逼真但无法落地”的可执行性缺口，让模型生成的推演轨迹更贴合真实机器人作业逻辑。

同时，依托自研具身数据基建EmbodiChain (https://github.com/DexForce/EmbodiChain)，跨维智能构建了覆盖资产生成、场景布局、可达轨迹采样、失败案例恢复、在线数据回流的完整数据体系，持续产出物理可信、场景多元、任务覆盖全面的高质量训练数据，大幅提升了合成数据对机器人策略训练的赋能效果与场景泛化能力。

对跨维智能而言，此次DSCFuncWorld登顶的意义，远不止一次榜单突破与技术超越。其自研DexWorldModel世界模型体系，真正的价值在于跳出行业概念内卷，直面具身智能落地过程中最棘手的系统性难题，脚踏实地补齐世界模型通往真实物理世界的关键短板。这也是跨维智能一贯的态度，不和概念赛跑，和真实世界赛跑。

-此文系量子位授权转载-