UNITAS: 3D-модель мира для роботов лидирует сразу на нескольких бенчмарках

Команда, стоящая за UNITAS, называет её первой в мире мировой моделью, которая изначально строится в 3D и под задачи роботов, а не под генерацию красивого видео. По сообщению Jiqizhixin от 12 октября 2026 года, модель заняла верхние строки сразу в нескольких рейтингах. Названий бенчмарков и конкретных баллов в доступном нам фрагменте публикации нет, поэтому ниже только то, что можно подтвердить, и честная оговорка о том, чего пока не хватает.

Какую проблему пытаются закрыть

Аргумент авторов начинается с языковых моделей. LLM масштабируются, потому что знания из самых разных источников сведены в одно пространство входа и выхода: текст. Вход текстовый, выход текстовый, и внутри этого пространства модель учится, комбинирует и переносит знания между задачами.

У воплощённого ИИ такого общего знаменателя нет. Роботы отличаются телами, камерами, наборами датчиков и способами управления. Данные одного манипулятора плохо переезжают на другой. Отсюда вопрос, который авторы выносят в начало: какое «родное» пространство нужно роботам на пути к Physical AGI? Их ответ — трёхмерный мир. Приставка «кросс-мерный» (跨维) в названии, судя по всему, указывает на связку между 2D-наблюдениями и 3D-структурой сцены. Детали этой связки в доступном фрагменте не раскрыты.

Что известно о модели

• Название: UNITAS.
• Класс: мировая модель (world model), нативная для 3D.
• Целевая область: задачи роботов, то есть модель проектируется под них, а не адаптируется из генеративного видео.
• Заявленный результат: лидерство на нескольких бенчмарках. Названия и значения метрик в источнике не приведены.
• Заявленная цель: «физическая интуиция» у роботов, то есть понимание геометрии, контактов и последствий действий.
• Статус «первой в мире»: утверждение самих разработчиков, независимо оно не проверялось.

Как читать это заявление

Мировые модели сейчас делятся на два лагеря. Одни предсказывают будущие кадры и учатся физике из огромных видеокорпусов. Примеры — Genie от Google DeepMind и Cosmos от NVIDIA. Другие строят явное представление пространства. Видео красиво выглядит, но роботу нужна не картинка, а ответ на вопрос «куда сдвинется объект, если я нажму сюда». С этой точки зрения ставка на 3D выглядит логично: геометрия лежит ближе к управлению, чем пиксели.

Но логика не равна результату. Формулировка «первая в мире» в китайских технических релизах нередко описывает узкую нишу, а лидерство в бенчмарках сильно зависит от того, какие именно тесты выбраны. Симуляционные рейтинги не гарантируют, что модель справится на реальном манипуляторе с шумными сенсорами и неидеальным освещением.

Что проверять на практике

Если вы занимаетесь робототехникой или следите за рынком, дождитесь технического отчёта и посмотрите на пять вещей:

• какие именно бенчмарки и с какими базовыми моделями сравнивали UNITAS;
• есть ли эксперименты на реальных роботах, а не только в симуляции;
• открыты ли веса и код, можно ли воспроизвести результат;
• сколько 3D-разметки и каких данных нужно для обучения и дообучения;
• какова задержка вывода: для управления в замкнутом контуре это критичнее точности на статичном тесте.

Пока UNITAS стоит держать в списке наблюдения. Направление, при котором 3D становится общим пространством для воплощённого ИИ, выглядит серьёзной гипотезой. Подтвердят её только открытые цифры и повторяемые эксперименты на железе.