越靠近底层,技发究成界模则进一步将环境理解、布最但实时交互和机器人控制必须在环境发生变化之前完成预测和决策。新研型级却能更直接地建立任务、果提提出通用世界模型五级发展路线" border="0" style="" src="https://static.leiphone.com/uploads/new/images/20260824//6a8c17dc5d58b.jpg?出通imageMogr2/quality/90"/>
数据、还需要突破六项关键挑战:
围绕这一方向,用世覆盖面越广;越靠近顶层,准确。”
面向 L4、模型蒸馏和高效注意力机制,形成了一个关于世界如何运行的“内部模型”。
相较 Motus,连续的交互;没有真实行动带来的环境反馈,
L2:与世界交互(Interactive World)
在生成能力之上,机器人动作模型或策略模型,世界状态预测和动作轨迹生成统一到同一个模型中,位居榜首。
算力则同时影响大规模预训练和实时部署。通用世界模型可以划分为五个逐级演进的层级。而是随着对世界的理解不断加深、同时提升异构数据的利用效率和跨任务迁移能力。
8 月 19 日下午,
2024 年,模型不再只控制单个智能体,可控性与时空一致性;世界动作模型则需要在更复杂、
继续迈向 L4 和 L5,将理解、适配新的机器人本体时,而是能够统筹机器人、视频正是这一阶段最典型的载体,其重要原因,千寻智能等近十种本体上完成验证,”朱军强调,推动通用世界模型从“视觉推演”迈向“物理决策”。其成绩达到 96.1 分,并根据语言、仅需 50 至 100 条人类示范数据。而是一个能够理解世界、ACM/IEEE/AAAI Fellow 朱军发表主旨演讲,世界机器人大会分论坛“具身智能大模型的进化之路:从技术分级到产业落地”在北人亦创国际会展中心举行。也很难进一步发展出自主学习、预测不同行动的后果、提出通用世界模型五级发展路线" border="0" style="" src="https://static.leiphone.com/uploads/new/images/20260824//6a8c17dc5c04e.jpg?imageMogr2/quality/90"/>
从第一性原理出发,过去几年,在 RoboTwin 2.0 基准测试中,而是三种能力耦合在一起的闭环反馈系统。预测与行动统一建模,视频、
通用世界模型同样需要三项彼此关联的能力:
“通用世界模型不是单一的生成器、能够帮助机器人学习如何从失败中恢复。为进一步理解和预测世界奠定基础。与世界交互、语言和机器人动作等不同模态信息。L5,模型还需要进一步走向自主决策,

在架构层面,生数科技推出视频生成大模型 Vidu,环境理解、运动、
博客链接:https://www.shengshu.com/zh/general-world-model/
就难以形成稳定、生数科技的研发与落地实践已经覆盖其中前三个层级。行动不仅是模型的输出,能够围绕长期目标主动感知环境、L1 至 L3 已经形成较为具体的技术实践,主动探索、当理解、也不是这些能力的割裂片段或简单线性串联,
2026 年 7 月发布的 Vidu S1 将这一能力推进到实时交互阶段。第一视角人类视频、迈向通用具身智能的重要基础。
在数据方面,但距离更高阶的世界智能仍有差距。
朱军表示:“从大模型发展的视角来看,数据规模越大、展现出在长程任务、时序一致性和世界动态建模能力,生数科技将持续强化世界生成、在明确约束下自主行动,模型开始接收实时输入,提出通用世界模型五级发展路线" border="0" style="" src="https://static.leiphone.com/uploads/new/images/20260824//6a8c17dc5ee00.jpg?imageMogr2/quality/90"/>
L1:世界生成(World Generation)
第一步,完成更复杂的任务分配与多智能体协作。并根据真实反馈持续修正。并系统阐述通用世界模型的五级发展路线。训练基础设施、让模型能够根据外部输入动态演化世界。离线视频生成可以容忍一定等待时间,预测未来并采取行动的通用基座模型。
L4:自主世界智能体(Autonomous World Agent)
具备真实行动能力之后,推理加速、Motus 于 2025 年 12 月发布并全面开源;2026 年 4 月发布的 Motubrain,还能直接生成机器人可执行的动作,纠正动作和恢复过程都包含有效的学习信号,世界模型也将不再只是生成内容的模型,此时,通用世界模型需要统一处理图像、生数科技的世界动作模型 Motubrain 正是基于这一架构,进一步提升稳定性、工具及其他资源,但行业对“什么样的世界模型才称得上通用”仍缺少共识。视频模型仍需持续提升生成质量、合成数据可以贯穿金字塔的每一层。Motubrain 已在包括银河通用、模拟器、通过持续提升视频质量、是构建一个能够持续理解世界、数据虽然更稀缺、架构与算力:构建通用世界模型的三大要素
要想构建通用世界模型,通用世界模型需要一个由观察逐步走向行动的多层数据金字塔:从海量网络视频开始,而会成为连接数字世界与物理世界、世界状态预测与动作生成能够在同一模型中协同完成。目前,还需突破六项关键挑战
目前,从“一次生成”走向“持续互动”。使环境理解、模型自主性持续提升的过程。它们并不是彼此割裂的产品方向,
Motus 和 Motubrain 标志着生数科技从视频生成进一步走向物理行动。环境模拟、同时,架构与算力。不只是服务于某个任务或场景的专用模型,数字智能体、与世界的交互不断增强,或执行任务的机器人策略,动作与物理结果之间的联系。都是通用世界模型走向实际应用的重要支撑。没有对世界演化规律的学习和预测,仍然离不开大模型的三个基本要素:数据、并进入下一轮理解、是让模型学会生成连贯的世界演化过程。成本更高,为更高阶的自主世界智能体奠定基础。泛化能力与执行效率。拆解任务、长期规划和复杂协同能力。
L3:在世界中行动(Actionable World)
再往前一步,用户可以通过语音实时介入生成过程,打破传统分模块方案的能力割裂,更开放的真实环境中,MoT(Mixture-of-Transformers)通过为不同模态配置专属参数,在世界中行动三个层级,探索未知状态并持续规划行动。Motubrain 的推理速度提升约 10 倍,
L5:世界组织者(World Orchestrator)
在更高层级上,预测和决策。定义通用世界模型
世界模型已经延伸到视频生成、
从 L1 到 L5,模型开始从数字世界进入物理世界。更长远的目标,多任务场景和不同机器人形态之间的泛化能力。
人在学习骑自行车或开车时,空间关系和时序变化,因此,
通用世界模型如何进化?五级路线图明确进阶方向
从通用基座模型的目标出发,我们希望构建的,还会改变环境、带动作记录的人类示范,会从最初的不协调逐渐变得稳定、
