世界模型（worldmodel）是智能体通过持续感知与环境交互，学习外部世界运行规律在内部形成环境表示，并能够预测环境演化一推演动作影响一支撑规划决策的一类核心认知能力，是人工智能从“会生成内容”走向“能预测环境变化和行动后果”的关键概念。它的思想源于模型化强化学习，近年来随着视频生成、空间智能、机器人基础模型和多模态学习的发展而迅速扩展。与主要处理语言和符号的大语言模型不同，世界模型关注空间、时间、物体、运动、因果、光学、声学和动作反馈。

世界模型在技术上可拆解为“Vision-Memory-Controller”，视觉模块对感知数据进行特征编码，记忆模块实现环境动态推演与未来预测，控制模块基于模拟结果输出决策指令。世界模型底层通过LatentMDP与动力学建模完成世界规律抽象，中层借助视频生成、3D空间构建实现规律可视化，顶层将模拟能力落地为智能体决策与执行，从而支撑具身智能在虚拟环境中预演优化、在现实场景中高效落地。

世界模型在技术上可拆解为Vision、Memory、Controller

从历史进程看，具身智能行业主要有四个发展阶段阶段：

在理论萌芽阶段，世界模型仍未形成独立的技术概念，归属于基于模型的强化学习(MBRL)分支，核心是通过卡尔曼滤波、模型预测控制(MPC)、手工规则的物理引擎，实现低维状态空间的简单预测，仅能在固定规则的游戏、简单控制场景实现验证。行业普遍认为，基于模型的方法泛化能力差、建模精度低，远不如无模型强化学习(Model-FreeRL)的表现，仅作为学术圈的小众研究方向，无任何产业落地能力。

1990年，RichardSutton提出Dyna架构，首次将“学习、规划、反应”统一，奠定了模型型强化学习的思想基础，实现了在内部模型中进行“想象”和规划；2015年，DeepMind发布DQN算法，开启深度强化学习时代，为世界模型提供了深度学习的基础范式;2016年，AlphaGo击败李世石，证明了深度强化学习在复杂决策场景的潜力，为世界模型的发展奠定了产业基础，但其核心是蒙特卡洛树搜索+策略网络，并未引入世界模型的长时序预测能力;2017年，Transformer架构正式发布，为后续世界模型的时序建模、多模态融合提供了核心架构支撑。

强化学习领域的卓越贡献者——RichardSutton

世界模型概念最早由DavidHa等人于2018年引入人工智能领域：他们发布的《WorldModels》实现了在模型生成的“梦境”中训练智能体，使智能体构建关于环境如何运作的内部模型，实现对物理世界及其运行机制的内部表征和动态模拟，首次在深度学习语境下系统、明确地提出了世界模型的概念与端到端架构，标志着现代世界模型的正式诞生。在这个阶段，VAE+RNN/Transformer的潜空间建模架构成为行业主流，通过变分自编码器(VAE)将高维视觉输入压缩到低维潜空间，再通过循环神经网络(RNN)/Transformer建模潜空间的状态转移规律，最终在潜空间中完成策略学习与规划，彻底摆脱了对人工特征的依赖，实现了端到端的高维视觉输入处理。

2019年，谷歌发布PlaNet，引入循环状态空间模型(RSSM)，首次在像素级输入的连续控制任务中实现了SOTA性能，证明了潜空间模型预测控制的可行性;2020年，DeepMind发布MuZero，无需知道游戏规则，仅通过视觉输入就能学习环境动态与规划策略，在围棋、Atari、国际象棋中实现了顶尖表现，实现了世界模型“从零学习规则”的核心突破。同事，ViT的发布为世界模型提供了统一的视觉-语言架构基础，开启了多模态世界模型的探索。在这一时期，国内高校在世界模型、基于模型的强化学习领域开始发表顶会论文，逐步从学术跟随走向并跑，打破了海外机构的学术垄断，百度、阿里、商汤等厂商在自动驾驶仿真、机器人控制场景，开展世界模型的初步试点验证，实现了从0到1的工程化突破。

前谷歌大脑高级科学家——DavidHa

2021年OpenAl发布CLIP，实现了大规模图文对齐，为世界模型的多模态融合奠定了基础;2022年底ChatGPT发布，大语言模型的通用推理、指令遵循能力实现革命性突破，世界模型正式进入LLM驱动的全新时代。这一阶段，世界模型从单一的环境动态建模，升级为融合视觉、语言、动作、音频的多模态通用体系，从“模拟环境”升级为“理解物理世界的因果与语义”，成为具身智能、自动驾驶的核心认知底座。

2023年DreamerV3发布，首次实现了一套固定超参数在150+不同任务中实现SOTA性能，彻底解决了世界模型的通用性问题，成为世界模型发展史上的里程碑。同时，PaLM-E、GPT-4V等模型的发布，开启了VLA(视觉-语言-动作)模型时代，世界模型正式与大语言模型中深度融合，实现了自然语言指令到物理世界动作的端到端闭环，从实验室走向产业规模化试点。

在这一阶段，LLM为核心底座的多模态世界模型成为行业主流，从单一的潜空间动态建模，升级为“多模态编码器+世界模型+LLM推理引擎+动作输出”的端到端架构，通过大语言模型实现语义理解、因果推理与指令遵循，世界模型负责物理世界的动态预测与规划，形成“感知-理解-预测-决策-执行”的全链路闭环。预测时域从数十秒提升至分钟级，长时序预测精度大幅提升;从仿真环境验证，升级为真实物理场景的规模化试点，在自动驾驶、机器人领域实现了商业级落地。

ChatGPT的发布宣告世界模型进入LLM驱动时代

2024年至今，新质生产力建设全面推进，人形机器人进入小批量量产阶段，L3级自动驾驶规模化商用，具身智能成为Al产业的核心赛道，世界模型从“可选优化方案”升级为具身智能、通用人工智能的原生核心底座。同时，OpenAI Sora、谷歌Genie等生成式世界模型爆发，证明了世界模型对物理规则、时空一致性的隐式建模能力，世界模型从“潜空间规划”正式走向“通用物理模拟器”的全新时代。

具身智能原生的VLA多模态世界模型目前成为行业标准，生成式世界模型与潜空间规划路线深度融合4D时空世界模型与大语言模型深度原生，从“单帧状态预测“升级为长时序视频/3D环境生成，从云端大模型走向“云端通用世界模型+端侧轻量化世界模型”的端云协同架构，实时交互、安全对齐、自进化成为核心技术方向。

这一阶段，国产世界模型在自动驾驶、工业、人形机器人领域实现了全面领跑，随新能源汽车、机器人、工业解决方案出海，落地全球30余个国家和地区——华为盘古世界模型、小鹏第二代智驾世界模型、比亚迪天神之眼世界模型，实现了7万级量产车的全场景世界模型部署，全天气、全路况的长时序预测能力达到全球顶尖水平；银河通用、宇树科技等人形机器人厂商，基于自研的世界模型实现了体操、乒乓、精密装配等复杂操作，通用能力达到全球顶尖水平。国产开源世界模型生态全面繁荣，在端侧部署、中文理解、行业适配等方面，全面超越海外开源模型，成为全球具身智能开发者的核心选择。

以宇树科技为代表的具身智能科技产业领先全球

世界模型的第一性原理指世界模型会通过其所在的智能体接收局部观测，持续推演不同行动可能带来的结果，采取最优动作，再根据新观测更新判断。第一性原理可分解为三项核心能力，分别为理解（Understanding）、想象（Imagination）与行动（Action）：

1、理解：把视觉、语言、声音、触觉或机器人传感器等信息，整合成对当前世界的内部判断；

2、想象：从当前状态推演多个可能未来，尤其是如果我采取动作A，而不是动作B，结果会怎样；

3、行动：把预测变成对数字或物理环境的干预，并让行动后的新观察反过来检验、修正模型。

通用世界模型的三项核心能力形成一个闭环：理解负责推断当前状态，想象负责预测可能的未来，行动则改变世界，并为下一轮理解提供新的证据。

构成世界模型第一性原理的三项核心能力

为直观的划分世界模型的能力区别，明确世界模型的演进阶段，当下最新观点是根据世界模型具备的能力划分出5个能级水平，具体如下：

1、L1：生成世界

L1级别的世界模型具备静态感知能力，可以识别物体、场景，只做理解，无预测，比如可以生成杯子滑落、撞击、碎裂的连续画面，是当前多模态大模型具备的能力。

2、L2：交互世界

L2级别的世界模型具备被动时序预测能力，可以通过给定的观测数据，预测未来画面、状态等情况的变化，比如可以在用户更改了视角，改变了推动杯子方向后继续对现实世界进行推测，是Sora这类视频生成模型具备的能力。

3、L3：可行动世界

L3级别的世界模型具备交互式模拟能力，可以通过动作改变世界状态，对未来进行主动短期推演，比如模型可以判断杯子被推倒后是否要掉落、预测伸手是否来得及，并输出机器人真正可以执行的抓取动作，是当前Genie、Marble、Cosmos模型具备的能力。

4、L4：自主世界智能体

L4级别的世界模型具备规划未来世界任务的能力，可以支持长序列反事实推理及多步任务规划，不再只等待人类给指令，比如模型可以主动观察到杯子的位置处于桌边，处于附近人员手部的活动范围之内，发现杯子有被碰倒的潜在风险后，主动将杯子放置到更安全的位置去，且会在任务失败后修正策略，执行更准确的策略。截至目前，市面上还未有成熟模型具备此级别的能力。

5、L5：世界组织者

L5级别的世界模型具备统一表征的能力，即把文本、图像、音频、视频这些不同形态的数据，都转换成同一种“语言”，映射到同一个高维数学空间里的向量，让它们可以直接互相理解和比较。除此之外L5级别的世界模型还可以实现跨场景、跨物体、跨模态，安排多主体协作执行泛化任务，比如在面对有可能被推倒的杯子时，模型可以主动分工，安排不同的智能体部件同时完成抓杯子、避障、调配工具、提醒附近人员等任务，并可以在环境改变后对任务进行重排。这种能力接近AGI物理认知底座，短期内难以实现，是世界模型发展的长期目标。

世界模型根据能力级别可划分为5个演进阶段

这条能力级别演进路线的意义在于，它把「世界模型」从一个名词，变成了一组可以逐级检验的问题——L1看生成轨迹是否连贯，L2看世界能否持续响应，L3看模型能否改变物理环境，L4看系统能否主动探索和持续学习，L5看它能否组织开放环境中的多主体协作。有这个级别路线做抓手，可帮助世界模型实现有的放矢的发展。

目前，针对世界模型的性能表现，行业普遍用以下6项指标进行评判：

1、时间一致性：物体、人物、场景和事件要在时间中保持连续，不能突然消失、变形或身份混乱。

2、空间一致性：同一房间从不同角度观察，布局、尺度、遮挡和视角关系应保持一致。

3、物理一致性：运动、碰撞、重力、反射、折射、形变、破碎、液体和材料响应应符合基本物理规律。

4、动作可控性：模型不仅要生成未来画面，还要能根据行动条件预测后果。

5、多模态一致性：视觉、声音、触觉、语言和传感器数据应指向同一个世界状态。

6、可迁移性：模型在仿真或演示场景中学到的能力，能否迁移到真实世界。

近年的评测基准正在向上述6项指标进行收敛：World Score把世界生成拆解为一系列“下一场景生成”任务，并联合评估可控性、质量和动态性，其测试集覆盖 3D、4D、图像到视频和文本到视频等方法；Phys Bench专门评测视觉语言模型对物体属性、物体关系、场景理解和物理动态的理解，包含上万条图像—视频—文本交错数据；Phy World Bench则用超千个物理提示评估文本到视频模型是否遵守运动、能量守恒、刚体交互、人和动物运动等物理规律。

World Score是国际最通用的世界模型评测基准

多模态编码器（Multimodal Encoder）是把文本、图像、音频、视频、点云等不同模态的数据，映射到同一个共享向量空间（统一表征）的神经网络模块，是多模态大模型、世界模型的核心基础组件。不同模态原始数据格式完全不一样，如图像是像素矩阵，文本是离散token序列，音频是时域波形、频谱，视频是连续图像帧等。其主要技术路线可分为双塔编码器、单塔统一编码器、原生统一模态编码器等三类。

多模态编码器的核心价值在于可以通过融合不同来源的信息，打破单一模态的局限，帮助世界模型打通和真实世界的隔阂。比如仅靠文本难以直观描述物体形态，仅靠图像难以传递抽象概念一从而提升任务处理的准确性、丰富交互体验，或让数据分析结果更全面。例如，在医疗诊断中，多模态系统可同时分析患者的CT影像(图像模态)、病历文本(文本模态)和生理指标(传感器数据)，帮助医生做出更精准的判断。

多模态编码器帮助世界模型打破与真实世界隔阂

世纪模型渲染器（Renderer）与模拟器（Simulator）、规划器（Planner）同为世界模型的三大核心模块，三类模块各司其职、协同互补，构成世界模型“感知-推演-决策-交互”的完整运行闭环。

渲染器输出的是以像素形式呈现、供人眼观看的观测结果，最重要的质量指标是视觉保真度。一个将文字提示转化为电影级无人机镜头的视频模型是渲染器，像Google的Genie3或World Labs自己的RTFM这样的交互系统也是渲染器。在这些系统中，模型以用户输入为条件、实时生成画面帧。这类模型不携带任何对三维结构的显式理解，它生产的是观察者所能看到的东西，而非事物的本质。无人机镜头里的建筑从高空俯瞰或许无可挑剔，但你若试图驾车驶过那座城市，它们便会轰然崩塌。

渲染器的核心功能是以像素为输出形式，生成人类可视的环境观测画面，实现文本、动作指令到视觉帧的实时转换，核心指标为视觉保真度（visual fidelity），优先保障画面观感真实、流畅。其模块核心缺陷是只还原“人眼看到的画面”，不代表真实世界结构。画面视觉完整，但三维空间、物体结构、物理交互均不具备一致性，切换视角、深度交互时易出现结构崩坏、逻辑失真。

渲染器是迄今为止商业化程度最高的一类。多款图像或文本转视频产品正在消费者和企业市场迅速扩张，Google的Nano Banana模型已将渲染器级别的图像生成能力交到潜在数亿用户手中。技术是真实的，市场也是真实的。然而，渲染器针对的是视觉可信度而非物理精确性，而这个天花板至关重要，它们的输出很美，但不可信赖到足以设计一座建筑或训练一个机器人。

模拟器输出的是状态，一种几何上、物理上或动力学上忠实于世界的表征，人类和计算机程序都可以在其上进行计算和交互。渲染器的合同是纯视觉的，而模拟器的合同是结构性的，要求经得起检验的几何结构、遵循牛顿定律的物理，以及按照物理规律运作的动力学行为。

模拟器的核心功能是建模真实世界底层规则，基于当前环境状态与智能体动作，推演未来环境动态变化，回答“世界将如何演变”，核心指标为物理一致性、时空连续性、物体持久性及因果合理性，不追求视觉效果。其模块核心缺陷是无可视化输出能力，仅输出参数、矩阵、轨迹等结构化数据；此外，高精度模拟算力成本高，实时推演难度大。

模拟器同时服务于两类用户：建筑师、设计师、电影制作者和游戏开发者等专业人员需要超越视觉可信度的精确性；强化学习 Agent、机器人控制器和自动驾驶汽车则将模拟器用作训练场，在那里可以大规模与世界交互，测试在现实中危险、昂贵或不可能执行的场景。

模拟器受到的公众关注最少，却是三者中影响最深远的。这里的商业覆盖面是巨大的，仅 NVIDIA 的 Omniverse，该公司估计目标市场就包括超万亿美元的工厂、仓库、供应链和数字孪生。机器人训练、自动驾驶测试、建筑可视化、工程设计和药物发现，全都依赖于某种模拟器形态的东西。

规划器输出的是行动。给定一个观测和一个目标，规划器回答的问题是Agent下一步应该做什么。在某种意义上，这与渲染器正好相反。渲染器以行动为输入，产出观测；规划器以观测为输入，产出行动，从而闭合感知-行动的循环。视觉-语言-行动模型（VLA）、基于模型的系统，以及新一波的"世界行动模型"，都是对规划器的尝试，让系统能够决定机器人在非结构化世界中应该做什么。

规划器的核心功能是依托渲染器观测信息与模拟器推演结果，完成目标拆解、路径搜索、动作序列优化，输出智能体可执行的动作指令，解决“智能体如何完成任务”的问题，其核心指标为任务成功率、路径最优性、动作合理性、实时性与鲁棒性等。规划器的核心缺陷是强依赖前端模块，无独立环境认知与推演能力；同时渲染、推演的微小偏差会导致决策失效，复杂长周期任务存在多目标冲突、算力开销大、突发场景适配弱的问题。

规划器是最令人着迷、也最不成熟的一类，与快速演进的机器人学习领域紧密相连。过去两年里，这个领域已经产出了一批看起来令人印象深刻的机器人演示视频，但对于这些演示实际展示了什么，我们需要保持坦诚。几乎所有演示都局限于受到严格约束的实验室环境，操作对象种类有限，任务时间跨度短暂。没有一个经过验证，达到了真实部署所要求的复杂性、可变性或持续时长。一个引人入胜的演示视频，与一个能在厨房、仓库或手术室里可靠工作的机器人之间，鸿沟依然巨大。

世界模型产业链自上而下分为上游基础资源与支撑层、中游模型与系统构建层、下游商业应用层，其中上游主要提供算力、数据与物理引擎等基础设施，中游聚焦于差异化模型架构的研发、训练与预测引擎搭建，具体情况如下：

世界模型产业链示意图

世界模型需要处理视频、三维点云、时序物理数据，显存、带宽需求远大于纯文本大模型，训练成本极高，是当前产业链最大成本项。在上游中，主要参与者包括高性能算力基础设施、高精度物理与空间数据集及底层物理引擎与仿真软件。

1、高性能算力基础设施:世界模型的训练与时序演练需要极其庞大的并行计算支持。高性能GPU集群与AI芯片是保障隐空间实时推演与复杂动力学计算的核心支撑。

2、高精度物理与空间数据集:不同于传统的文本数据，世界模型需要包含深度信息、传感器感知、动态轨迹与物理碰撞等海量多模态数据。高质量的真实世界采集数据与合成数据，构成了模型的底层养分。

3、底层物理引擎与仿真软件:包含碰撞检测、流体力学模拟、光线追踪等基础算法模块。为中游模型提供精确的物理约束边界，防止推演过程出现逻辑漂移。

在中游中，主要参与者包括抽象表征与预测引擎研发、3D空间智能与显式建模引擎及基于潜空间的强化学习决策系统。

1、抽象表征与预测引擎研发:以JEPA等架构为代表，模型厂商专注于开发高效的隐空间预测算法。核心竞争在于如何用尽可能少的算力，提炼出物理世界的最优表征。

2、3D空间智能与显式建模引擎:侧重于三维拓扑重构与可编辑空间生成。研发重点在于提升空间重建的精度、降低建模时延，实现虚拟与现实空间的无缝映射。

3、基于潜空间的强化学习决策系统:将生成演练能力与智能体控制算法深度结合。核心在于建立高效的奖励函数与决策机制，把"预演结果"精准转化为机器人的动作指。

在下游商业应用层中，主要有具身智能、智能驾驶、元宇宙、气候预测、医疗仿真等主要场景。

1、具身智能

当前人形机器人、通用服务机器人产业化受阻，核心痛点是真实环境试错成本极高、安全风险不可控、复杂动态环境样本稀缺，机器人难以适应非结构化家庭、工业、高危作业场景。世界模型通过3D 环境实时重建、物理规则精准复刻、长时序行为推演、反事实试错仿真，为机器人构建可无限迭代的虚拟训练空间，实现“梦境训练-现实迁移” 闭环，解决传统机器人 “实验室优秀、落地拉胯”的行业难题。同时，还可以针对非结构化环境（杂乱家庭、不规则工业物料、复杂地形）做泛化训练，补齐动态障碍物避让、柔顺抓取、人机协作的能力短板，大幅度降低机器人部署成本，全面加速工业、家用、特种场景的商业化落地。

2、智能驾驶

世界模型通过统一时空表征、环境动力学模拟与反事实推演能力，打通智能驾驶感知、预测、决策、规划、控制、仿真及数据闭环全流程，打破传统模块化架构信息割裂、误差累积的瓶颈，推动智能驾驶从被动式响应向主动预判式智能升级。

世界模型在车端和云端都能发挥巨大的作用：在车端，世界模型能够实现交通参与者长时序行为推演与类人化博弈决策，补齐长尾风险预判短板，同时赋能感知盲区推理、复杂场景规划与精准控制，对预测和决策的影响最大；在云端，世界模型依托虚拟场景生成与虚实数据迭代，大幅降低实车测试成本，成为推动高阶智驾规模化落地的关键技术。

从产业维度看，世界模型重构了智能驾驶技术迭代范式，可有效提升行驶安全性、驾乘舒适性与复杂场景通行能力，尽管面临算力、实时性等落地挑战，仍是当前实现 L3 及以上高阶智能驾驶、推动技术从感知智能迈向认知智能的核心突破口。

世界模型极大推动智能驾驶发展

3、元宇宙

元宇宙行业当前最大瓶颈是静态场景多、动态交互弱、内容生产成本高、开发周期长，传统人工建模无法支撑大规模虚实融合场景。世界模型融合生成式视频、3D 神经辐射场、时空动态推演、行为因果建模，实现全自动、可演化、强交互的虚拟世界生成，覆盖游戏、影视、数字孪生、虚拟社交、虚拟办公等全赛道，成为数字内容工业化生产的底层新基建。具体应用场景如下：

1）开放世界游戏研发：在游戏研发阶段，可自动生成地形、建筑、植被及NPC行为逻辑，模拟昼夜、天气动态变化；在游戏运行时，可实时推演玩家行为，驱动场景、剧情动态反馈，替代高成本人工建模。

2）虚拟影视/演出制作：可自动生成虚拟舞台、光影、观众场景，推演数字人表情、动作逻辑，实现数字人、实景演员、虚拟场景实时交互，简化后期合成流程，提升内容产出效率。

3）数字孪生城市：可复刻城市全要素虚拟模型，推演交通、人流、能耗动态变化，辅助城市规划；还可以模拟火灾、洪水等灾害扩散与救援过程，提升城市应急处置能力。

4）虚拟社交/办公场景：可快速生成虚拟会议、会展、校园场景，内置多人交互规则；还可以映射真实人物，实时推演用户动作、行为，实现沉浸式实时联动交互，替代部分线下场景需求。

4、气候预测

传统气象模型仅能做短期、局部天气预测，无法模拟大气-海洋-陆地全系统联动，极端天气预判精度低、预警时效短。世界模型基于多尺度物理建模、长时序时空推演、生态动力学仿真、因果风险预测，实现全球尺度气候演变模拟、极端灾害提前预警、碳循环与生态治理推演，为国家防灾减灾、双碳战略、生态保护提供精准决策依据。具体应用场景如下：

1）极端气象预警：整合大气、海洋、地形数据构建虚拟气候系统，推演台风、暴雨、高温等灾害生成路径、强度与影响范围，动态更新预警等级，支撑防灾减灾部署。

2）双碳与碳汇管控：仿真森林、海洋、湿地碳汇变化趋势，模拟不同减排、新能源政策的落地效果，量化区域减排指标，为碳中和方案制定提供数据支撑。

3）流域/海洋生态治理：推演江河、近海污染物扩散路径、赤潮生成规律，模拟污水治理、生态补水等整治措施的实际效果，快速优选最优治理方案

4）荒漠化生态修复：仿真荒漠扩张趋势，模拟防护林种植、水资源调配等修复工程的生态增益，指导防沙治沙、植被恢复工程精准落地。

5、医疗仿真

传统医疗存在新药研发周期长、手术风险高、个体适配性差、临床试错成本极高的痛点，动物实验无法完全复刻人体生理反应。世界模型基于物理AI、多模态医学影像、生理动力学建模、病理时序推演，构建个性化动态数字人体，复刻器官运转、疾病发展、药物代谢、手术干预全过程，实现术前规划、新药研发、精准治疗的全流程虚拟验证。具体应用场景如下：

1）外科精准手术：基于患者影像构建专属数字人体，虚拟模拟手术入路、操作流程，预判术中出血、神经损伤等风险，迭代最优手术方案，降低临床手术风险。

2）创新药研发：搭建虚拟器官与人体模型，模拟药物吸收、代谢、药效及毒副作用，快速筛选优质候选药物，提前适配不同人群用药方案，缩短研发与临床试验周期。

3）慢病个性化诊疗康复：复刻患者个体生理特征，推演糖尿病、心血管病病程发展趋势，模拟用药、饮食、康复训练效果，定制个性化诊疗与康复方案。

临床医学教学培训：构建标准化数字人体与病理、急救场景，供医护人员完成解剖、手术、急救模拟训练，零耗材、零风险完成专业规培演练。

从技术范式角度出发，世界模型可粗略分为6大流派，分别是：联合嵌入预测架构（JEPA）、物理AI基础设施、空间智能、视频生成、潜空间强化学习以及主动认知推断。具体情况如下：

联合嵌入预测架构（Joint Embedding Predictive Architecture）的设计灵感深度契合人类的认知方式。人类在观察和记忆物理世界时，并不会逐像素地记录每一个细节，而是提取事物的核心特征与抽象规律。基于此，JEPA彻底摒弃了传统生成式模型在像素级别重建图像或视频的冗余路径，转而专注于在抽象的表征空间（潜在空间）中进行预测。该架构的核心在于通过自我监督学习机制，过滤掉不可预测的冗余细节，直接预测被遮挡时空区域的潜在特征，从而抓住世界运行的本质规律。这种“预测抽象空间而非像素空间”的策略，大幅降低了模型的计算成本与误差累积，使其在处理复杂动态环境时具备极高的并行计算效率。

Yann LeCun于2022年发表《通向自主机器智能的路径》，首次提出JEPA理念。JEPA架构也于2023年正式问世。其优势为计算效率极高，避免生成像素带来的巨大算力消耗；抗噪能力强，专注于抽象语义和物理规律；适合长时序规划与复杂逻辑推理。其劣势是缺乏直观的可视化输出，难以直接用于需要高保真画面的场景（如影视、游戏）；对人类而言不够直观，难以直接评估其内部表征的准确性。

Yann LeCun首次提出JEPA理念

物理AI基础设施(即仿真平台派) 走的是一条“自上而下”的硬核路线。该模块并不依赖神经网络去“猜”物理规律，而是直接将人类已知的经典物理定律（如牛顿运动定律、流体力学、摩擦力、重力等）硬编码入底层计算引擎中。其核心在于构建一个多物理场高度耦合的集成仿真环境。在这个环境中，所有物体的运动状态、碰撞反馈与形变过程均通过严谨的数学方程进行实时解算。这种架构为AI智能体提供了一个绝对符合现实物理逻辑的“数字孪生”训练场，确保了数据生成的高保真度与零误差。

2024年，飞渡科技峥嵘空间模型商用落地，飞渡2.0确立世界模型基础设施。2025年，NVIDIA在CES发布Cosmos平台，提供全栈物理AI世界模型解决方案。其优势为物理规律极其严谨，零“物理幻觉”；支持高精度力学计算与碰撞检测；工程化落地能力极强，直接赋能工业制造。其劣势为系统极其庞大复杂，开发与维护成本极高；对算力基础设施（如GPU集群）依赖严重；生态相对封闭。

英伟达推出全球首款全开源全模态物理AI大模型cosmos 3

空间智能派认为，真正的世界模型必须具备显式的3D结构理解能力，能够将AI模型从2D像素平面提升到完整的3D物理世界。该模块的核心目标是生成具有空间准确性、持久几何特性以及物理一致性的可交互虚拟场景。技术实现上，该模块通常采用“几何强迫（Geometry Forcing）”或“物理注入”策略。在数据标注与训练阶段，模型被强行注入稠密点云、三维一致性等显式物理信息，确保生成的场景严格遵守物理约束。空间表征路径上，该模块正加速从神经辐射场（NeRF）向3D高斯溅射（3D GS）演进。NeRF作为隐式渲染引擎，虽然画质极度保真，但每一帧渲染需数秒到数分钟，且无法与物理引擎交互；而3D高斯溅射作为显式表达模型，通过百万个高斯球搭建场景，渲染速度可达每秒上百帧，且支持独立编辑与物理碰撞力学计算，真正打通从感知、决策到执行的实时闭环。

2010年，Karl Friston提出自由能原理，奠定空间智能理论基础。2025年，World Labs推出Marble预览版，实现单图生成交互式3D场景。其优势是极高的3D空间一致性和物理保真度；支持多视角自由漫游与实时交互；生成的3D资产可直接复用。其劣势是显式3D建模计算量庞大，实时渲染对硬件要求极高数据标注成本高（需引入3D一致性等显式物理信息）。

生成式视频模块从AIGC技术演进而来，其核心逻辑是直接从海量动态视频的像素点中隐式学习物理规律（例如通过观察苹果下落的视频来理解重力趋势，而无需显式输入重力方程）。该模块将实时性、可交互性与长时记忆作为核心优化目标，物理绝对合理性则相对次之。在架构上，该模块主要依赖自回归潜在扩散模型或DiT（Diffusion Transformer）结构。系统将视频帧与潜在动作（Latent Action）转化为离散的Token，通过大规模Transformer动力学模型进行自回归训练与采样。这种机制允许用户通过键盘或指令实时干预视频走向，模型则瞬间渲染出符合逻辑的下一帧画面，形成“动作—响应”的动态闭环。

2024年，OpenAI的Sora凭借惊艳的视频生成效果和分钟级的时长引领市场，引爆视频生成赛道。2025年，Google发布Genie 3，实现720p/24FPS的实时交互式3D环境生成，保持数分钟物理一致性。其优势是视觉表现力极强，画面逼真度高；数据获取相对容易（海量互联网视频）；泛化能力强，能模拟极其丰富的长尾场景。其劣势是存在“物理幻觉”（如物体突然消失或变形）；长时序一致性难以保证；难以提取精确的3D几何和力学参数用于精确控制。

Sora宣告视频生成派的来临

潜空间强化学习派（Model-based RL）将世界模型与强化学习进行了深度绑定。其核心思想是不在真实的物理环境中进行高成本、高风险的试错，而是通过世界模型将真实世界的高维观测数据压缩到一个低维的“隐空间（Latent Space）”中，在这个虚拟的隐空间内训练智能体。该派系从1990年引入高斯混合模型（GMM）解决多值映射问题，到2019年演化出循环状态空间模型（RSSM）。RSSM架构巧妙地将“确定性”与“随机性”相结合——确定性部分保证了模型预测的连续性与物理常识，防止系统随意发挥；随机性部分则用于捕捉环境中的不确定性，大幅提升了模型在复杂场景下的容错性与适应能力。

2018年，《World Models》论文提出基于RNN的潜空间预测。2019年，Dreamer诞生，通过系列不断迭代，目前已成为基于模型强化学习（MBRL）的标杆。其优势是样本效率极高，大幅减少真实环境交互次数；支持长视角的策略规划；在试错成本极高的场景（如机器人控制）中极具价值。其劣势是强依赖于世界模型的准确性，若潜空间动态预测存在偏差（Model Bias），会导致策略失效；高维复杂场景下的奖励建模依然困难。

主动认知推断派（Model-based RL）代表世界模型向更高阶认知迈进的探索。传统的AI模型（包括部分生成式模型）本质上仍停留在数据分布的“相关性预测”层面，而主动推断模块的核心在于构建“因果关系”与“反事实推理（Counterfactual Reasoning）”能力。该派系模型不仅能要预测“接下来会发生什么”，更要能回答“如果我改变了某个条件（即使这个条件在训练数据中从未出现过），结果会怎样”的假设性问题。这要求模型在内部建立起严密的因果逻辑链条，将复杂系统简化为可理解的模式和规则，从而在面对未知的长尾场景时，依然能够基于底层逻辑做出安全、合理的决策。

主动认知推断可解决传统AI在真实物理世界中“泛化能力差”和“试错成本高”的致命痛点，实现从“数字智能”向“物理智能”的跨越。其优势是生物启发式认知，天然适配具身智能，小样本/终身学习能力强；强鲁棒性，适配动态、非结构化、部分可观测环境；贝叶斯推理天然可解释性，适配高可靠性场景。其劣势是高维场景计算复杂度高，实时推理难度大；海量数据场景下，收敛速度与精度弱于深度学习大模型；开源框架、量产工具链尚不完善。

随着AI竞争的不断加剧，作为“物理AI核心引擎”的世界模型逐渐被各国所关注。目前，各国从算力、数据、主权、监管等多维度逐步出台扶持政策，大力支持世界模型产业的发展。

美国目前仍是世界模型赛道前沿能力的主要定义者和高端算力的主导控制者。美国的政策逻辑最鲜明：不是建设单一“国家模型”，而是用国家安全与产业政策为私营巨头搭建全球领先的能力平台。在资金层面上，Stargate（星际之门） 是当前最具标志性的私营联合项目。该项目由OpenAI、软银、甲骨文及阿联酋投资公司MGX发起，计划未来四年投资5000亿美元，初始投入1000亿美元，首批数据中心已落地得克萨斯州。

美国推进AI基础设施并非抽象表态，而是通过“金融资本+模型公司+云基础设施+芯片生态”的联合体来落地：软银偏财务，OpenAI负责业务运营，Oracle提供云与数据中心能力，NVIDIA、Arm、Microsoft等提供技术支撑。这套机制的最大优势是部署快、规模大、商业化能力强；但其代价是国家能力与企业利益深度绑定，政策边界更易向准入、访问、收益分配延伸。此外，美国还启动了名为 “创世纪计划”（Genesis Mission）的国家级科研工程，该计划被官方明确定位为“堪比曼哈顿计划”的AI项目，核心目标是动员全美科研与工业体系，利用AI加速科学发现。这一战略与单纯的前沿模型管控形成互补：前者侧重基础科研突破，后者则聚焦技术出口管制与模型安全审查，二者共同服务于美国维持AI绝对领先地位的国家目标。

“创世纪计划”帮助美国继续维持科技霸权

中国世界模型政策目前仍以“隐性嵌入”为主，但其顶层战略线索已相当清晰。2024年政府工作报告正式提出“人工智能+”，此后“人工智能+”被进一步制度化为国家顶层战略，并在“十五五”规划框架中被提升为中长期增长与产业升级的重要抓手。“十五五”期间中国AI政策的重心已从“前沿突破”转向“规模部署”，即把AI嵌入工业、服务业、公共治理与未来产业。这对世界模型的意义在于：虽然顶层文件未必处处直接点名“world model”，但其最匹配的政策落点——具身智能、人形机器人、自动驾驶、工业智能、科学智能——都在加速进入国家任务清单。从战略定位看，中国更强调AI的三重属性：一是中长期生产率工具，二是科技自立自强的关键抓手，三是全球AI治理与国际合作的重要议题。因而，中国世界模型政策不会仅围绕单一企业或单一模型，而会更强调基础设施先行、行业融合推进、治理同步建设。

中国部委层面对世界模型最直接的支持，来自具身智能与制造业政策。2026年，工信部、国资委联合开展2026年度人形机器人与具身智能实景实训专项行动，目标到2026年底在代表性场景中实现应用验证和常态部署，形成百个以上高价值应用场景，带动万台级规模落地能力。这已不是“研发鼓励”，而是明确推动从实验室走向部署阶段。更重要的是，该专项对数据提出了高度具体的要求：建设高质量、高保真数据集，记录全身运动轨迹、力位控制曲线、操作执行序列、空间语义、物体属性、异常处置、突发干扰、边界工况等全维度信息。对世界模型而言，这是极具方向性的政策信号——中国开始把“物理语料”作为国家级产业底座来建设，而不再停留在互联网多模态语料层面。制造业方向上，工信部等八部门提出“人工智能+制造”专项行动，量化目标包括到2027年推出1000个高水平工业智能体、100个高质量数据集、500个典型应用场景。综上，中国部委专项在世界模型上的政策特征可以概括为：不是直接补贴世界模型概念，而是通过机器人、制造、数据集和场景开放，倒逼世界模型基础能力成熟。

中国主要的世界模型支持政策情况

欧盟的路径与美国相反，核心不在“谁先做出最强模型”，而在如何把可信、合规和主权要求嵌入模型与基础设施建设。2025年2月，欧盟推出InvestAI，总规模2000亿欧元，其中200亿欧元用于AI超级工厂。2025年4月发布《AI Continent Action Plan》，提出建立至少13个AI工厂和5个AI超级工厂，并推动未来五到七年欧盟数据中心容量至少增长两倍。欧盟的政策设计带有强烈的“补课”性质。欧洲整体投入并不低，但问题在于其分布更碎片化，且必须在成员国协调、监管一致性与市场效率之间平衡。 这决定了欧盟在世界模型赛道上的侧重点不是纯商业速度，而是“可信算力+合规数据+开源生态+欧洲标准”的组合。

近年来，欧盟已通过一系列具体举措，试图走出一条兼顾主权与创新的AI发展路线。这条路线包括：依据《人工智能法案》第53条第2款，对符合“真正开源”且未构成系统性风险的模型给予部分义务豁免；通过“数字欧洲计划”和“地平线欧洲”等公共资金，资助如OpenEuroLLM（获3740万欧元）、ELLIOT（获2500万欧元）等开源基础模型项目；以及建立主权AI工厂（如SOOFI和Fact8ra项目），为公共管理和研究机构提供可私有化部署的开源模型平台。欧洲的真正意图更在于防止世界模型被少数闭源平台锁定，从而丧失数字主权的抓手。因此，欧盟大力推动AI工厂和开源支持，本质上是在争夺“模型获取权”（即能够自主审计、修改和运行模型的能力）和“基础设施可及性”（即依赖公共资金和本地算力，而非外部云服务的可用算力），以确保其数字主权不受制于他国技术生态。

欧洲正将开放模型权重视作一项产业政策

1、市场规模情况

世界模型被视为物理AI的基础设施，市场潜力极大。根据赛迪顾问报告显示，2024年全球世界模型相关市场规模12.8亿美元，2025年突破了18.5亿美元，年复合增长率高达52.4%，预计2030年将达到152.3亿美元；中国市场的增速也不慢，2026年预计达到9亿美元，2030年有望冲到48.7亿美元。摩根士丹利的预测则更加激进，预测2035年世界模型赋能的产业规模将达10万亿美元。

2、资本市场运作情况

世界模型在2025—2026年完成了从学术概念到产业主赛道的跃升。毕马威研究显示，2025年全球具身智能融资额达111.7亿美元、同比增长152%，融资数量670笔；2026年一季度融资额达50.3亿美元、同比增长182.9%。其中，世界模型赛道融资狂飙：2026年上半年融资事件已达42笔，接近2025年全年水平；85%的已披露融资事件规模超千万美元，1亿美元以上事件达17笔，其中13笔发生在2026年上半年。

资本”投早投小”特征显著——2026年一季度种子天使轮至C轮合计占当季总融资额的89.2%，部分企业早期轮次即获独角兽级定价。头部公司的估值曲线直观反映了赛道热度：World Labs成立16个月估值冲至50亿美元，李飞飞最新一轮融资达10亿美元，英伟达、AMD、欧特克（单独出资2亿美元）等产业资本悉数入场；杨立昆创办的AMI Labs融资估值传闻达35亿美元；中国的极佳视界2026年3—6月连续完成Pre-B、B1、B2三轮融资、累计约35亿元，成为国内首个世界模型百亿独角兽，新一轮融资目标估值30亿美元；银河通用、星海图等具身”大脑派”企业B轮估值均达30亿美元。产业资本的深度介入——英伟达同时投资World Labs并自研Cosmos，欧特克以顾问身份深度绑定World Labs——标志着世界模型已从风险投资主题升级为产业战略布局。

世界模型赛道已成为资本新宠儿

3、技术水平情况

就当下市场情况而言，世界模型赛道的先进代表基本都来源于中、美两国。其中，美国继续在前沿能力上领跑，而中国模型正在成为“便宜且足够好”的全球替代方案。

从性能看，截至2026年3月，中国顶级模型与美国顶级模型在Arena上的差距仅2.7%；2025年2月，DeepSeek-R1曾短暂追平美国最佳模型，此后双方多次交替领先。从生态看，全球约50个主流大模型中，美国接近30个，中国约20个；中国模型在OpenRouter前50模型中的入榜数量，从2025年初每日约5个上升至2026年5月约20个。这表明中国在模型数量、更新频率和生态竞争活跃度上已形成显著密度优势。

更重要的是，中国模型的全球使用份额正在快速提升。以主流API聚合平台OpenRouter的统计数据为例，中国模型在该平台的Token处理份额从2025年初的约4.5% 起步，至2026年初已稳定在30%以上，峰值一度达到46%；2026年7月，月度份额进一步攀升至63.5%，同期美国模型约为35.5%。

Arena平台上中美顶尖大模型性能对比情况

1、海外龙头

1）英伟达

英伟达是较早布局世界模型产业的科技巨头之一，其于2026年6月发布的Cosmos3定位为全球首款完全开放的全模态模型，面向自动驾驶和机器人研发场景。技术架构上，该模型围绕Reasoner tower(推理塔)和Generator tower(生成塔)两个核心模块构建。其中，推理塔采用自回归视觉语言模型架构，用于理解图像、视频和文本中的运动、物体交互及物理上下文;生成塔采用扩散式生成过程，根据推理塔的理解生成符合物理规律的视频和动作输出。

据英伟达介绍，Cosmos3可将物理AI的训练与评估周期从数月缩短至数天，但端到端系统收益仍取决于下游任务与数据闭环集成。目前，英伟达已推出Cosmos 3 Nano(160亿参数)和Cosmos 3 Super(640亿参数)两个版本，模型权重与代码已通过Hugging Face和GitHub开源。

Cosmos 3世界模型架构图

2）Meta

Meta V-JEPA2(2025年6月发布)是一种基于联合嵌入预测架构(JEPA)的非生成式自监督世界模型。与依赖高成本像素渲染的主流生成式路线不同，Meta V-JEPA2直接在抽象潜在空间预测缺失信息，从而规避了逐帧解码带来的庞大算力消耗。架构优势之外，Meta V-JEPA2的训练范式同样强调效率——预训练阶段基于100万小时互联网视频和100万张图像数据学习物理世界的通用时序规律，后训练阶段使用62小时机器人与世界的交互视频进行微调，即可完成能力迁移。当前模型代码与权重已全面开源，并逐步应用于机器人、视频理解等场景。

3）谷歌

Google DeepMind Genie 3(2025年8月发布)是Google推出的第三代通用世界模型，首次实现实时交互能力，时空一致性与画面真实感较前代显著提升。该模型以文本提示为输入，直接生成可实时导航的动态虚拟世界，支持720p分辨率、24帧每秒的连续漫游，并能在数分钟时长内保持场景逻辑连贯(如物体位置、环境状态变化符合物理常识)，可用于智能体任务训练验证。区别于静态生成，Genie3引入可提示事件机制，允许通过文本指令实时改变环境状态。同时，Go0gleDeepMind团队已将Genie3生成的实时交互环境用于SIMA通用智能体的导航与goal-seeking验证，SIMA向Genie 3发送动作指令，后者基于动作模拟环境演化并反馈观测，利用Genie3的时序一致性支持更长的动作序列执行。

4）World Labs

World Labs Marble（2025年11月发布）是李飞飞团队推出的空间智能模型，基于文本、图像或视频输入生成可交互的3D场景，解决单图转3D的空间一致性难题。该模型的核心能力是将2D输入重建出具备几何一致性的三维世界，支持从单张图片补全遮挡区域，并生成可360度漫游的场景。2026年4月，Marble 1.1及1.1 Plus版本发布，在光照、对比度和细节表现上有所提升。同时，World Labs还开源了Spark2.0渲染引擎，支持将超大规模3D世界流式传输到Web、VR等设备。目前产品处于早期阶段，重点在于高保真内容生成与场景扩展，尚未完全覆盖复杂物理动力学仿真。

5）Odyssey lab

Odyssey-2（Max/Pro）定位为实时交互式世界模型，是Odyssey lab的实时交互式世界模型产品线，基于大规模视频与交互数据训练，采用自回归下一状态预测方式，对现实世界中的运动规律与时空关系进行建模，实现长时序动态场景的连续生成。与传统视频生成模型不同，该模型支持用户在生成过程中持续输入操作或文本指令，模型会根据当前环境状态实时调整后续画面，实现连续交互。当前，Odyssey-2 Pro首帧启动延迟约50ms、持续流式输出22fps,可维持分钟级连续交互生成。此外，2026年4月，0dyssey发布容量更高的Odyssey-2 Max，参数量约为Pro的3倍、训练算力提升至约10倍，目前以PrivateBeta形式向机器人、游戏及仿真客户开放。

Odyssey动态世界生成示意图

6）特斯拉

特斯拉发布的FSD World Simulator可依托真实驾驶数据构建仿真体系，同步驱动FSD自动驾驶迭代与Optimus机器人训练，实现跨场景底层能力复用。World Simulator的训练底座来自特斯拉全球车队回传的真实驾驶记录。模拟器学习真实场景的分布后，以当前环境状态十车辆/机器人动作作为输入，预测并生成未来若干帧的场景演化，生成连续驾驶或操作过程的仿真视频。智能驾驶板块，World Simulator可在低概率场景下提供可规模化生成的补充样本，扩大训练分布。具身智能板块，World Simulator被迁移复用至Optimus 工厂场景中，生成机器人操作的仿真视频，为策略网络提供低成本训练数据。目前这种复用主要体现在基础设施层(统一的数据管线、仿真系统与训练方法)的共享，而非同一套视频生成器在两端直接平移的产品级复用。

2、国内竞争主力

1）腾讯

腾讯HY-World 2.0是腾讯混元旗下的3D世界模型，从离线场景生成演进至实时交互，并于2.0版本完成从视频流输出向3D资产输出的切换。HY-World 1.0版本基于分层3D网格表示，从文本/图像输入生成可漫游虚拟场景，但整体为离线流程，场景生成后的交互自由度有限。HY-World 1.5版本引入流式增量生成与重构记忆机制，实现24fps级连续输出，初步解决实时交互的流畅性问题，但生成成果本质上仍是像素流，难以对接工业管线。2026年4月，腾讯发布HY-World  2.0，将架构全面切到以3D为核心，通过全景生成、轨迹规划、新视角扩展与场景合成的四阶段流程，输出3DGS与Mesh混合表征，可直接导入Unity及UE进行二次编辑与物理碰撞设置，标志着产品从演示级生成器向3D内容生产管线节点演进。

HY-World 2.0运作流程示意图

2）阿里

阿里于2026年6月发布的HappyOyster是阿里通义实验室推出的原生多模态世界模型，官方定位于开放式、可实时交互的数字世界模拟器。与学习“文本一视频”映射的传统生成模型不同，该模型学习“当前状态、动作一下一状态、动作”的物理世界状态转移规律，能主动推演因果链，维持人物与环境在长时间序列中的一致性，并模拟重力、光影等物理反馈。产品提供两个模式:Wander漫游一-以文本或图片生成可探索空间，支持单次最长约1分钟、第一人称视角连续位移与镜头控制;Direct导演--允许在生成过程中通过多模态指令实时改写剧情、调度角色与镜头，连续输出3分钟以上，分辨率可选480p/720p。不同于传统文生视频“Prompt渲染成片”的离线流程，该模型通过流式生成架构，支持在生成过程中动态调整角色、镜头与剧情走向。技术上，HappyOyster兼顾多模态理解与生成，可在长时间跨度下维持世界状态的演化逻辑，用于构建可交互、可探索的AI数字世界。需要注意的是，当前版本主要聚焦于数字内容创作领域，其“世界”指代可交互的虚拟数字空间，而非对现实物理世界的完整通用模拟。

3）小鹏

小鹏X-World于2026年3月发布，是基于视频扩散生成技术构建，服务于自动驾驶的可控多视角生成式世界模型。该模型已应用于闭环仿真、在线强化学习及合成数据生成等环节，并在第二代VLA模型的训练与验证过程中提供支撑，用于提升自动驾驶系统对复杂场景的训练与泛化能力。截至2026年4月，小鹏自动驾驶仿真场景从一年前的3万增加到50多万个，每日仿真测试里程等效于3000万公里实车测试，为模型训练提供了高密度的训练与回归验证环境，一定程度上降低了对实车路采的依赖。

4）小马智行

小马智行的Pony World路线起步于2020年，定位为强化学习训练系统，核心是利用量产及运营数据构建闭环训练管线。2026年4月，公司推出Pony World 2.0，进一步强化模型的自主诊断与定向进化能力，可对驾驶决策进行结构化回溯，自动定位感知或规划环节的短板，并据此生成定向数据采集指令，提升自动驾驶系统的迭代效率。目前，Pony World 2.0已全面接入Robotaxi及L4级自动驾驶研发与运营流程，支撑更大规模车队的算法迭代。

5）小米

小米MiMo-Embodied是小米具身智能团队提出的跨域基座模型，通过统一表征架构，让同一套潜空间推理能力同时覆盖自动驾驶与具身操作，实现双向协同。2025年11月，小米发布并开源MiMo-Embodied。该模型基于小米MiMo-VL架构，把多模态感知映射到统一latent空间后做跨域推理，训练数据覆盖通用视觉语言、具身操作与自动驾驶场景，采用多阶段渐进训练(通用具身知识一跨域融合一CoT推理增强一GRPO强化学习对齐)，抑制灾难性遗忘并实现双向正迁移。根据小米技术报告披露，MiMo-Embodied在17个具身智能基准和12个自动驾驶基准上取得领先，在空间推理与规划等关键指标上优于GPT-4o、Gemini-Pro等闭源模型。

MiMo-Embodied功能示意图

6）银河通用

银河通用LDA是具备1.6B参数的跨本体隐式世界一动作基础模型。该模型采用自研WAM世界一动作融合路线，通过统一任务形式、表征空间和模型架构三大设计，同步学习策略学习、前向动力学、逆向动力学和视觉预测四种能力。数据处理方面，LDA-1B处理超过3万小时异构数据，构建五层数据结构整合互联网数据、人类行为数据、仿真数据、遥操作数据和真实机器人数据，实现虚实共融、人机混合、质量参差、有无动作标签数据的统一利用。在Robo Casa-GR1基准测试中，LDA-1B驱动的策略成功率55.4%，优于GR00T-N1.6和To.5。目前，该模型代码已全面开源，相关能力纳入银河通用的“银河星脑”技术体系，在零售、工业、家庭等场景推动机器人在真实环境中的自主操作与泛化能力提升。