今日，无界动力正式发布并开源 MWA™-Phoenix 隐空间世界模型基座，横扫 LIBERO-Plus、LIBERO-Pro、RoboCasa GR1、Bench2Dex、RoboTwin 2.0 和 RoboDojo 真机榜。从环境扰动下的鲁棒性、任务变化后的泛化，到复杂物体操作、跨本体迁移和最终的真机执行，六项评测共同验证了 MWA™-Phoenix 将能力迁移到不同操作条件，并支撑实时部署与连贯操作的坚实能力。
相较常见的单一或少数评测领先，同时登顶多项不同侧重的榜单，并将领先表现从仿真延伸至真机和真实场景，更加考验基座模型的能力广度与泛化能力。
行业中的具身智能模型层出不穷，但真正稀缺的，是能够理解物理因果、具备足够泛化性、并将广泛操作能力转化为稳定的真机执行。不做任何测试数据复刻，不使用深度信息传感器，不依赖任何 Agent，本次 MWA™-Phoenix 一次性登顶多项权威榜单，正是依托其优秀的模型架构与训练方法所带来的强大泛化性与操作能力。
延续无界动力隐空间世界模型 + 强化学习的核心技术路线，本次发布的端侧 7B 参数完整预训练 MWA™-Phoenix 基座模型，结合 Phoenix-ILA 将运动与接触共同纳入动作学习，借助本次同时发布的交互式仿真世界模型 Phoenix-PhysCanvas，在部署前于云端仿真环境中自我进化，具备在真实环境下实时部署、实现精细操作的能力，真正打通了模型落地前的 “最后一厘米”。
从看准场景、处理接触到优化策略自我进化，无界动力体系化连接 “理解世界”“学会操作”“自我进化” 与 “可靠执行” 之间的关键环节，并结合实时部署机制，让基座能力最终落实为真机上的连续、稳定、精细操作。
技术报告：https://openphoenix-team.github.io/Phoenix-pages/
开源代码：https://github.com/Anyverse-Dynamics/Phoenix-MWA
多榜登顶
从仿真到真机全面验证基模能力
技术路径最终要回到任务结果。MWA™-Phoenix 仅以 RGB 输入，不使用 Depth 真值，在六项各有侧重的评测中均以高分经受住检验：环境改变后能否稳定操作，任务条件变化后能否泛化执行，复杂物体交互能否顺利完成，跨本体迁移后能否稳定操作，随机环境中能否双臂协同复杂操作，以及能力能否最终落实到真机。
01. 强抗干扰鲁棒性：LIBERO-Plus 登顶
LIBERO-Plus 通过相机视角、机器人初始状态、语言指令、光照、背景纹理、传感器噪声与物体布局七类扰动，检验模型应对环境变化的能力。MWA™-Phoenix 以 94.63% 的总体成功率登顶，展现场景受到干扰后仍能稳定完成操作的能力。
02. 强跨任务泛化能力：LIBERO-Pro 榜首
LIBERO-Pro 通过物体、位置、指令与任务目标四类变化，检验模型能否将已学技能迁移到新的任务条件。MWA™-Phoenix 以 66.48% 的总体成功率位列榜首，展示基座跨越具体训练条件、适应多样操作需求的能力。
03. 强复杂长时序操作能力：领跑 RoboCasa GR1 Tabletop
RoboCasa GR1 Tabletop 覆盖 24 项桌面操作任务，包括抓取放置，以及抽屉、柜门等可动结构物体操作，检验模型处理空间关系、物体状态变化和连续步骤的能力。MWA™-Phoenix 以 82.67% 的平均任务成功率领跑榜单，相较前代 MWA™-WALA 的 75.17%，提高 7.50 个百分点，将基座能力的提升落实到多任务物体操作。
04. 强跨本体迁移能力：Bench2Dex 最优表现
Bench2Dex 覆盖 12 种机械臂与灵巧手组合、26 个任务 — 本体设置，通过物体姿态、桌面高度等几何变化，以及背景、光照、干扰物和相机位姿等视觉变化，检验模型在多任务、跨本体条件下的泛化能力。MWA™-Phoenix 在各项评测条件下均取得最佳成绩，平均成功率达 45.6%，领先最强对照模型 π0.5 17.3 个百分点，展现面对不同机器人形态与任务变化时的稳定迁移能力。
05. 强双臂协同操作能力：RoboTwin 2.0 表现亮眼
RoboTwin 2.0 通过 50 项双臂操作任务，在场景随机化条件下进行评测，考察模型应对环境变化与复杂协作操作的能力。MWA™-Phoenix 取得 72.42% 平均成功率，验证了模型在随机环境中的双臂协同操作能力。
06. 强真机实操能力：RoboDojo 真机榜成绩优异
RoboDojo 建立统一的仿真与真机评测体系，真机部分覆盖三类机器人本体、18 项任务。模型需要在实际感知、接触与执行条件下完成操作，任务结果直接检验物理执行能力。MWA™-Phoenix 在 RoboDojo 真机榜上成绩优异，为基座的真实机器人操作能力提供验证。
高效可靠的真机执行
才是硬仗
具身智能的价值实现，离不开进入场景、操作物体和完成任务。模型在仿真中取得高分后，仍需要跨越真实感知、接触与执行条件的鸿沟：
识别物体，动作未必到位；
轨迹合理，接触未必有效；
示范学会，真机未必可靠。
这道鸿沟已经出现在公开研究中。GPT-6 Astra 的 RoboDojo 早期评估显示，其仿真总体成绩领先，但真机诊断测试因不合理或不安全动作而中止，未完成正式真机评测。这直接表明：仿真高分不能替代可靠物理控制的验证。
真机执行的实时性同样亟待解决。Physical Intelligence 的 RTC 研究指出，同步推理会在动作段之间引入等待，运动中切换不一致的动作段也可能造成执行问题。这意味着：模型能够生成动作之后，还需要让推理与机器人运动有效衔接。
MWA™-Phoenix、Phoenix-ILA 与 Phoenix-PhysCanvas 将这道执行鸿沟拆成三个相互连接的问题：基座能否理解变化的场景并持续行动，接触之后能否完成精细操作，以及策略能否在部署之前得到进一步优化，并最终落实到真实操作。
01. 几何与时序联合编码，让基模理解空间、连续行动
学习物理因果与通用操作，不仅需要识别物体，还需要理解几何结构、相对位置，以及它们如何随动作发生变化。团队在隐空间表征的探索过程中发现，绝大多数表征方式都对几何，尤其是几何 - 时序的理解最为缺失。因此，几何与时序的联合理解成为重点突破方向：让 MWA™-Phoenix 成为面向操作的 “4D 空间大师”，既看清三维空间，也理解空间中的连续变化。
MWA™-Phoenix 以 DINOv3 为视觉骨干，通过双教师蒸馏融合 VGGT 的几何先验与 V-JEPA 的时序信息，使编码器兼顾语义、空间结构与动态变化。几何知识帮助模型理解物体如何摆放，时序知识帮助模型学习连续观测中的变化，两者共同建立面向操作的感知基础。
图 1｜双教师蒸馏与因果语义 VAE。连续观测与遮挡观测进入共享编码器，经 Geometry Adapter 和 JEPA Adapter 对齐教师特征，将空间与时序知识迁移到视觉表征中。CS-Encoder 将特征压缩为潜变量，CS-Decoder 通过重建约束促使其保留信息；因果时序连接限制编码使用未来观测。
在此基础上，因果语义 VAE 将丰富的视觉特征压缩为适合生成建模的紧凑表征，通过重建约束保留关键语义与空间结构，并避免编码时提前读取未来观测。视觉前端学到的信息，由此进入后续环境预测与动作学习。
MWA™-Phoenix 进一步将环境动态预测与动作生成纳入联合学习框架，融合视频模型积累的动态先验与空间语义表征。在观测与语言指令条件下，模型联合生成未来视觉状态与动作，使环境将如何变化与机器人应如何行动建立联系。
图 2｜MWA™-Phoenix 世界动作模型。DINOv3 与 CS-VAE 提取空间语义表征，WANVAE 提取视频视觉特征，两条路径共同进入视频专家；动作序列经编码后进入动作专家。两者通过 MoT 架构中的 Joint Attention 连接，并由注意力掩码规定信息访问方向。语言、机器人状态与本体提示提供生成条件，动作解码器输出可执行序列。
本次预训练数据覆盖真机操作、Ego 与 UMI 三大来源。自研管线对齐多模态、多来源信息，让人类操作的丰富性与真机数据的精确性共同发挥作用：脚本级标注梳理 Ego 与 UMI 长序列中的操作顺序与双手配合，充分获取长程操作及失败恢复的经验；双重坐标对齐真机数据的统一工作空间与末端运动含义，支持不同机器人数据联合训练，并充分发挥真机数据的精度优势；80 维统一接口则支持异构本体共同学习。
在相同任务后训练与评估设置下，预训练后的 MWA™-Phoenix 在五项未来视频预测指标上均领先 FastWAM 和无策略预训练配置，兼顾画面还原与语义一致性。
表 1｜未来视频预测对比。三个配置均在 LIBERO 上后训练 20,000 步，在 LIBERO-Plus 相同的 200 个完整窗口上评估未来 8 帧，并对主视角、腕部视角及窗口等权平均。↑ 指数值越高越好，↓ 指数值越低越好。
在真机部署侧，RTC 与异步执行让模型并行准备后续动作与真机执行，处理动作段之间的丝滑衔接。面向操作的感知、联合动作学习与实时执行机制，共同支撑连续稳定运行。
笔袋收纳与三明治制作两段原速演示，分别展示多步骤动作衔接，以及不同操作阶段之间的协调。机器人需要跟随物体状态变化持续行动，并将前一步结果用于后续操作。
笔袋收纳
三明治制作
从空间理解到连续动作，基座将预训练经验落实为真机上的连贯操作，也为后续精细技能适配提供共同起点。
02. 运动与触觉共同编码，让精细操作走完最后一厘米
工具沿着相似的轨迹移动，可能并没有形成有效接触。抓稳、擦净、削下表皮，都需要运动与接触相互配合。
Phoenix-ILA 聚焦操作的最后一厘米，将同步运动与触觉序列共同编码，学习兼顾运动过程和接触变化的交互表征，使接触直接参与动作学习。相比于常见的分别提取触觉信号、再拼接动作特征的融合方式，Phoenix-ILA 将运动、局部触觉形变与受力相关信号纳入同一交互潜空间，通过联合重建相互约束。模型既学习接触发生在哪里、形变如何分布，也学习与之对应的受力变化，让触觉成为指导动作的交互信息，为持续贴合与精细接触提供更完整的学习依据。
图 3｜ILA 交互潜变量学习架构。在多视角视觉观测条件下，Interaction Encoder 将同步运动与触觉编码为紧凑的交互潜变量。Time-conditioned Decoder 重建指定时刻的运动、触觉形变与受力相关信号，保留运动与接触演化的时间协同关系。
在黄瓜削皮（Peeling）与盘子擦拭（Wiping）两项真实任务中，加入 ILA 后，成功率分别由 20%、75% 提升至 40%、90%，高于 FastWAM 的 10%、50%，执行接触误差同步下降。任务完成率与执行接触误差的同步改善，让 “最后一厘米” 的价值成为可观察、可量化的操作收益。
表 2｜FastWAM、MWA™-Phoenix 直接动作生成与加入 Phoenix-ILA 后的接触任务对比。接触代理误差衡量触觉形变导出的合力代理与专家参考的 L1 偏差，并非直接测力误差；↑ 指数值越高越好，↓ 指数值越低越好。
两段演示重点呈现持续工具接触、贴面运动和接触转换，让精细技能的作用在真实执行中可见。
黄瓜削皮
盘子擦拭
03. 在仿真环境中先练策略，让强化学习收益落到真机
真实执行不能依赖反复失败来寻找正确动作。示范为策略提供完成任务的起点，面对偏移、不同接近方式与执行误差，模型还需要学习不同动作会产生怎样的结果。
Phoenix-PhysCanvas 将一部分探索与策略优化前移到真机部署之前。它构建以动作为条件的视触觉世界模型，为强化学习提供可交互的仿真环境，让策略在上机前继续改善，并在部署后兑现为真实机器人任务能力的显著提升。
图 4｜PhysCanvas 强化学习后训练框架。MWA™-Phoenix 输出动作，PhysCanvas 预测视觉与触觉反馈，策略根据新观测继续行动；奖励模型评价交互结果，为 GRPO 强化学习更新提供反馈，形成策略与世界模型的闭环交互。
实验中，团队先通过任务示范进行监督微调，再在 PhysCanvas 中开展 GRPO 强化学习后训练，最后回到真实机器人上检验效果。试管任务的平均真机成功率由 58.33% 提升至 75.00%，提高 16.67 个百分点；积木任务由 80.00% 提升至 86.67%，提高 6.67 个百分点。
表 3｜PhysCanvas 强化学习后的真机表现。三次测试对应不同环境条件；表中标准差反映跨条件的结果差异。
试管任务
积木任务
旋拧瓶盖和魔方复位任务进一步呈现系统在精细动作中的执行表现，作为对应技能的直观展示。
旋拧瓶盖
魔方复位
一脑多能 不止于此
MWA™-Phoenix 不仅在多项测评与各类实验、任务中表现突出，同样在实际部署与场景应用中展现出强大的泛化性与稳定操作实力。以咖啡场景为例，机器人在不同布景、光照与人流交织的动态环境中连续完成饮品递送、桌面清理、垃圾回收和座椅归位等长时程任务；后续，MWA™ 也将高效支撑泛商业空间和工业产线的真实灵巧操作任务与工作。
目前，无界动力已累计拥有超过 20 万小时多模态数据储备，并在工业与商业场景的真实操作中持续积累更多高质量交互经验。公司正同步进行更大规模的模型训练与任务覆盖，让更多经验形成可迁移、可部署、可持续进化的真实任务操作能力。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
