Wujie Dongli открыла модель мира MWA-Phoenix и взяла шесть бенчмарков

Китайская компания Wujie Dongli (无界动力) 22 октября опубликовала в открытом доступе MWA-Phoenix, базовую модель мира, которая предсказывает динамику среды в латентном пространстве, а не в пикселях. По заявлению разработчиков, модель вышла на первые места на шести бенчмарках: LIBERO-Plus, LIBERO-Pro, RoboCasa GR1, Bench2Dex, RoboTwin 2.0 и реальной таблице RoboDojo. Шесть площадок покрывают симуляцию, физических роботов и несколько типов задач.

Шесть таблиц, которые проверяют разное

Редко кто претендует на лидерство сразу на таком наборе бенчмарков. Обычно команда оптимизирует модель под один-два теста, а остальные оставляет за скобками. Здесь выбор стоит читать как заявку на универсальность: каждая площадка проверяет свой слой проблемы.

• LIBERO-Plus и LIBERO-Pro: устойчивость к возмущениям среды и перенос на изменённые формулировки и условия задач.
• RoboCasa GR1: бытовые сценарии на кухонных сценах с гуманоидной платформой.
• Bench2Dex: сложная манипуляция объектами, где важна ловкость захвата.
• RoboTwin 2.0: двурукие задачи с доменной рандомизацией.
• RoboDojo: стенд с реальными роботами, где симуляторные трюки не помогают.

В описании релиза Wujie Dongli выделяет четыре оси: надёжность при помехах, обобщение после смены задачи, работа со сложными объектами и перенос между разными телами роботов. Это те места, где манипуляционные политики ломаются чаще всего. Робот, который обучили на одной камере и одном освещении, нередко теряется от сдвига картинки. Модель, выученная на одной руке, не умеет управлять другой.

Почему латентное пространство удобно роботам

Модели мира для робототехники делятся на два лагеря. Одни генерируют будущие кадры, и это дорого и шумно: большая часть пикселей не нужна для решения, куда двигать манипулятор. Другие предсказывают эволюцию сжатого представления сцены и работают с ним. MWA-Phoenix относится ко второму лагерю. Латентное представление отбрасывает фон, текстуры и блики, оставляя геометрию, положение объектов и их отношения. Такая сцена меньше зависит от смены освещения или камеры, а политика действий получает компактный вход. В теории это даёт и скорость инференса, и более прямой путь к переносу между роботами, потому что общее знание о физике отделено от конкретной кинематики.

Именно этот довод компания и выносит на витрину. Если базовая модель действительно отделяет понимание сцены от тела робота, то адаптация к новой платформе сводится к тонкой донастройке, а не к сбору датасета с нуля.

Открытый код как способ проверить заявления

Таблицы лидеров любят приукрашивать картину: конфигурации подбирают, протоколы запуска различаются, а публичные места иногда удерживаются неделями. Открытый релиз важен тем, что претензию можно перепроверить. Любая лаборатория может запустить модель на своём стенде и посмотреть, держится ли результат вне родных бенчмарков.

К тому же Wujie Dongli выходит на рынок, где базовые модели для роботов становятся инфраструктурой. Физический ИИ уже вырос в отдельное направление, и китайские команды делают ставку на открытость, чтобы быстрее собрать вокруг своей модели сообщество и данные.

Для тех, кто строит роботов или исследует эту область, список проверок практический. Сначала стоит воспроизвести результаты на LIBERO-Plus и RoboTwin 2.0 в своей инфраструктуре: это дешёвый тест на честность цифр. Затем нужно прогнать модель на собственной платформе с минимальной донастройкой и проверить заявленный перенос между телами. Наконец, стоит прочитать лицензию и состав открытых артефактов: веса, код обучения и данные не всегда выходят вместе. Если перенос между роботами подтвердится, команды без крупного парка машин получат готовую основу вместо многомесячного сбора демонстраций.