清華研究生開源大一統世界模型：性能超越硅谷標桿40%！

金磊 發自 凹非寺
量子位 | 公眾號 QbitAI

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

這就是由生數科技聯合清華大學，正式開源的大一統世界模型——Motus。

項目主要負責人，是來自清華大學計算機系朱軍教授TSAIL實驗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，是因為Motus在架構上，直接把VLA（視覺-語言-動作）、世界模型、視頻生成、逆動力學、視頻-動作聯合預測這五種具身智能范式，首次實現了“看-想-動”的完美閉環。

而且在50項通用任務的測試中，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到了40%！

在Motus的加持之下，現在的機器人已經具備了預測未來的能力。

瞧，Cloudflare人機驗證任務，機器人可以輕松拿捏：

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

從視頻中不難看出，面對形狀不規則的曲面鼠標，Motus控制的機械臂不僅能精準識別，還能根據鼠標與屏幕點擊框的距離，平穩連續地移動，最后極度精準地完成點擊。

再如長程多步推理的孔明棋任務，Motus同樣展現出了嚴密的邏輯閉環，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器人噩夢的任務——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不斷發生的，但在Motus手下，整個過程絲滑順暢，就像有了人類的觸覺和預判一樣。

可以說，Motus的出現，率先在具身智能領域發現了Scaling Law，直接復刻了當年GPT-2被定義為“無監督多任務學習者”的奇跡。

很多CTO、創始人們看完之后直呼“妙哉”：

• 這是互聯網視頻學習與現實世界機器人之間的巧妙橋梁。
• Motus的Latent Action范式太妙了。統一的VLA架構消除了機器人學中的模型碎片化，這才是真正的突破。
• 將感知、預測和行動統一在智能體內部確實是實質性的進展。

包括此前大火的英偉達Cosmos policy、DreamZero這些工作，被認為是顛覆了VLA的范式，轉向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世界模型是如何實現的。

一個架構統一了五種范式

在過去，具身智能領域可以說是散裝的。

因為像VLA、世界模型、視頻生成、逆動力學、視頻-動作聯合預測等模型，很難有機地湊成一個整體。

而Motus最大的亮點，在一個框架內把這五種范式全包圓了。

大一統背后的技術，便是Mixture-of-Transformer（MoT）架構，配合Tri-model Joint Attention（三模態聯合注意力）機制。

簡單來說，通過這種方式，Motus相當于把三個專家攢到了一起：

• 理解專家（大腦）：基于Qwen-VL，負責看懂環境和指令；
• 視頻生成專家（想象力）：基于Wan 2.2，負責推演未來畫面；
• 動作專家（小腦）：負責具體的運動控制。

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

這就賦予了機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生后的未來畫面（預測），從而反過來倒推現在該做什么動作（決策）。

這正是我們剛才提到的“看—想—動”閉環。

但要訓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——數據，也是一個老大難的問題。

因為機器人真機數據太貴、太少，而互聯網上雖然有海量的視頻，卻只有畫面，沒有動作標簽（Action Label）。

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

研究團隊利用光流技術（Optical Flow），捕捉視頻里像素級的運動軌跡，然后提出了一種Delta Action機制，將這些像素的變化翻譯成機器人的動作趨勢。

這個思路可以說是比較巧妙，就像是讓機器人看武俠片學功夫。

雖然沒有人手把手教（沒有真機數據標簽），但機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力方向（潛動作）。

由此，上至昂貴的真機數據，下至浩如煙海的互聯網視頻、人類第一視角視頻（Egocentric Video），Motus全都能吃進去，從中提取通用的物理交互先驗。

除此之外，基于數據金字塔和潛動作，Motus還構建了一套三階段訓練流程，逐步將通用的物理動力學常識“蒸餾”為精確的機器人控制能力：

• 視頻生成預訓練。利用多機器人軌跡和人類操作視頻來微調視頻生成專家，使其能根據條件幀和語言指令生成合理的機器人操作視頻。
• 潛動作預訓練。在凍結VLM的情況下，用視頻、語言和潛動作同時預訓練三個專家，將通用的運動先驗充分地注入Motus中。
• 特定本體微調。利用目標機器人的真機數據對Motus進行整體微調，將模型適應到特定場景下的下游任務，例如RoboTwin仿真和真機機械臂抓取。

Scaling Law在物理世界跑通了

研究的實驗結果表明：Scaling Law在物理世界里，真的跑通了。

在仿真榜單RoboTwin 2.0上，在50個通用任務中，Motus的平均成功率達到了88%：

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

而Motus的成功率直接飆升至95%！

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

△上圖為數據量Scaling，下圖為任務數量Scaling。紅色為Motus，藍色為Pi-0.5

隨著訓練任務數量的增加（橫軸），藍色的線（Pi-0.5）呈現下降趨勢。這意味著傳統的模型架構在面對多任務時，容易發生過擬合，學了新的忘了舊的。

而紅色的線（Motus）則是一路持續上升。

這證明了：只要模型架構足夠統一、數據來源足夠雜，具身智能完全可以像LLM一樣，涌現出跨任務的通用泛化能力。

這也正是GPT-2當年帶給NLP領域的震撼——Language Models are Unsupervised Multitask Learners。現在，Motus在具身智能領域復刻了這一奇跡。

在真機測試中，無論是AC-One還是Agilex-Aloha-2機械臂，Motus都表現出了較好的適應性。

△左：AC-One；右：Agilex-Aloha-2

數據顯示，Motus的數據效率比對手提升了13.55倍。也就是說，達到同樣的水平，Motus只需要別人十幾分之一的數據量。

清華研究生領銜

最后，讓我們把目光投向這個大一統世界模型背后的團隊。

Motus由生數科技聯合清華大學發布，而共同領銜的一作，是兩位非常年輕的清華學生：

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

此外，團隊成員還包括謝盛昊、王澤遠、黃舒翮、劉海天等，均來自清華TSAIL實驗室（朱軍教授課題組）。

而作為聯合發布方的生數科技，這次開源Motus，也暴露了其在世界模型上的布局。

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

在生數看來，視頻天然承載了真實世界的物理時空、因果邏輯與動態演變。Motus的出現，正是這一戰略的重要拼圖。

它標志著機器人從“機械執行”向“端到端智能”的跨越，也推動了整個行業從單點突破走向統一基座。

產學研協作在這里發揮了巨大的化學反應：生數在多模態大模型上的深厚積累，加上清華團隊的頂尖算法能力，才催生出了Motus這個大一統的世界模型。

Motus于25年12月就全部開源并發布論文，早于行業2個月，而最近火熱的基于視頻模型的具身智能路線，生數科技與清華大學在2025年7月份就已經發表Vidar具身視頻模型，領先于行業半年之久。

目前，Motus已經全量開源。

感興趣的小伙伴可以圍觀一下啦~

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

項目地址：
https://motus-robotics.github.io/motus

開源倉庫：
https://github.com/thu-ml/Motus

模型權重：
https://huggingface.co/motus-robotics