跨维智能发布全球首个3D原生世界模型UNITAS，统一建模动作与世界变化

SmartHey10月13日消息，10月12日，跨维智能（DexForce）正式发布全球首个面向具身操作的机器人任务原生3D世界模型UNITAS（A 3D-Native World Action Model for Embodied Manipulation），为Physical AI构建统一三维物理表示空间迈出关键一步。

UNITAS的核心主张是：唯有让模型从底层原生理解三维物理世界，世界模型才能真正逼近“世界”本身。

那么，如何让机器人在真实三维环境中理解“动作”与“状态变化”？当机器人真正走进物理世界，它面临的不仅是“下一步该做什么”，更是“这个动作将如何改变世界”。

传统机器人策略模型聚焦于“选择最优动作”，而世界模型则致力于“预测动作引发的环境演化”。过去，这两类问题常被割裂建模；但UNITAS指出，在真实物理过程中，动作执行与世界响应本是一体两面、不可分割的同一事件。

以“伸手拿起杯子”为例：机械臂的运动轨迹是动作，杯子脱离桌面并发生位移则是结果——二者共同构成一次完整的物理交互。若机器人仅学习“如何动”，却无法推演“动后世界如何变”，便难以真正掌握物理规律与因果逻辑。

UNITAS的突破正在于此：将视觉观察、具身动作与环境演化，全部映射并联合建模于同一个三维物理坐标系中。

或许有人会问：当前已有多种方法引入三维信息。但UNITAS的“3D原生”（3D-Native）并非简单叠加深度或点云，而是让模型直接在统一三维空间中学习——世界表征以三维点云Token为基本单元，无需依赖图像Token作为中间桥梁。

例如，在执行“拿起杯子”任务时，模型不仅要定位杯子、规划夹爪路径，还需实时建模：夹爪接近时杯子受力形变、抓取瞬间的微小滑移、抬起过程中桌面反作用力对整体场景的影响等动态响应。

UNITAS通过双流三维轨迹建模实现这一目标：一是动作流（Action Flow），刻画人手或夹爪关键点随时间的空间轨迹；二是场景流（Scene Flow），以动作流为条件，预测杯子、桌面、周围物体等场景要素的协同运动。所有过程均在同一三维坐标系下端到端联合优化，使模型既能根据目标生成可执行动作，也能依据动作前向推演未来世界状态。

实验证明，UNITAS展现出卓越性能：仅采用1.7B（17亿）参数规模，在主流机器人操作评测基准中全面领先——LIBERO平均成功率高达99.8%，LIBERO-Plus达89.1%；在RoboTwin 2.0双臂操作任务中，Clean与Randomized设置下分别取得92.94%和93.04%成功率，显著超越参数量达6B的Fast-WAM、8B的Motus，以及π0.5、LingBot-VA、PointWorld等前沿模型；在真实机器人平台部署后，任务平均成功率达85%，验证了其强泛化性与工程落地潜力。