AIPress.com.cn報道

2月6日消息，生數(shù)科技聯(lián)合清華大學正式開源統(tǒng)一世界模型 Motus。該模型基于視頻大模型構(gòu)建，在多項核心具身智能任務中，相較國際主流 VLA 模型 Pi0.5，實現(xiàn)了約 40% 的成功率提升。研究團隊表示，這一結(jié)果驗證了具身基礎模型在統(tǒng)一架構(gòu)下進行規(guī)?；瘮U展（Scale Up）的可行路徑。

據(jù)介紹，Motus 于 2025 年 12 月完成論文發(fā)布并同步實現(xiàn)完整開源，時間上早于行業(yè)內(nèi)相關(guān)成果約兩個月。此前，生數(shù)科技與清華大學已于 2025 年 7 月提出 Vidar 具身視頻模型，圍繞“以視頻模型作為具身智能統(tǒng)一表征底座”的技術(shù)方向展開探索。

研究團隊認為，視頻天然承載真實世界中的物理時空結(jié)構(gòu)、因果關(guān)系與動態(tài)變化，是連接感知與行動的重要多模態(tài)表征形式?；谶@一判斷，Motus 試圖突破傳統(tǒng)具身智能系統(tǒng)中“感知—推理—行動”模塊割裂的問題，構(gòu)建統(tǒng)一的通用世界模型框架。

在模型設計上，Motus 首次在同一框架中統(tǒng)一了 VLA、世界模型、視頻生成模型、逆動力學模型以及視頻–動作聯(lián)合生成模型等五類具身基礎范式，形成貫通感知、推理與執(zhí)行的端到端建模路徑。與部分側(cè)重仿真渲染的世界模型路線不同，Motus 被定位為可直接用于物理執(zhí)行的一體化模型。

在數(shù)據(jù)層面，Motus 針對具身智能長期面臨的真機數(shù)據(jù)稀缺問題，統(tǒng)一了跨本體機器人數(shù)據(jù)、任務無關(guān)數(shù)據(jù)、仿真數(shù)據(jù)、人類操作視頻以及互聯(lián)網(wǎng)視頻的動作空間，并通過大規(guī)模預訓練學習通用運動先驗，以提升模型的跨任務與跨平臺泛化能力。

在評測結(jié)果方面，Motus 在多個維度展現(xiàn)出明顯優(yōu)勢。在數(shù)據(jù)規(guī)模擴展實驗中，Motus 在 50 個任務上的平均成功率相比 Pi0.5 提升 35.1 個百分點，并在相同性能水平下實現(xiàn) 約 13.55 倍的數(shù)據(jù)效率。在任務數(shù)量擴展實驗中，隨著任務復雜度提升，Motus 的整體成功率保持上升趨勢，而對比模型出現(xiàn)明顯下降，最終成功率差距約為 37 個百分點。

在 RoboTwin 2.0 仿真環(huán)境中，Motus 在覆蓋 50 個任務的評測中取得約 88% 的平均成功率。在部分高難度操作任務中，其成功率顯著高于現(xiàn)有基線模型。研究團隊還在多種真實機器人平臺上完成部署測試，結(jié)果顯示 Motus 在跨任務與跨本體場景中具備較強遷移能力。

生數(shù)科技表示，Motus 的開源旨在為具身智能領(lǐng)域提供統(tǒng)一、可擴展的基礎模型方案，推動具身智能從模塊化系統(tǒng)向統(tǒng)一智能體架構(gòu)演進。該模型的代碼、論文與權(quán)重已在 GitHub、Hugging Face 等平臺公開。