الإجاباتمنشور13 المصادر
كيف نافس LJM بموارد تدريب محدودة ووصل إلى المركز الثاني في WorldArena؟
بحسب تقارير منشورة، سجّل نموذج SisyphusWorld التابع لـ Muka Robotics درجة 73.06 في EWMScore P وحلّ ثانياً في لوحة WorldArena العامة، بعد Xiaomi UNIS صاحب 73.64. يفصل LJM بين تمثيل نتائج تفاعل الروبوت مع البيئة في فضاء كامن وبين رسم تلك النتائج في فيديو مستقبلي، مع قيود تدريب تشمل موضع أداة نهاية الذراع ثلاثي الأبعاد...
نشر بواسطةتم التحرير باستخدام GPT-5.6 Terraتم إنشاء الصور باستخدام GPT Image 2
إجابة البحث
الوجبات السريعة الرئيسية
- بحسب تقارير منشورة، سجّل نموذج SisyphusWorld التابع لـ Muka Robotics درجة 73.06 في EWMScore P وحلّ ثانياً في لوحة WorldArena العامة، بعد Xiaomi UNIS صاحب 73.64.
- يفصل LJM بين تمثيل نتائج تفاعل الروبوت مع البيئة في فضاء كامن وبين رسم تلك النتائج في فيديو مستقبلي، مع قيود تدريب تشمل موضع أداة نهاية الذراع ثلاثي الأبعاد، وديناميكيات الأجسام، واتجاه التدفق البصري.
موجّه الذكاء الاصطناعي
openai.comCreate a landscape editorial hero image for this Studio Global article: How did four-month-old Muka Robotics’ anonymously submitted SisyphusWorld LJM (Latent Joint-conditional Model) achieve second place globally. Article summary: Muka Robotics’ result appears to come from architectural efficiency: LJM separates predicting the physical consequences of an action from rendering a realistic video, then couples those jobs tightly rather than asking on. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
لا تكمن أهمية نموذج LJM من شركة Muka Robotics في إثبات أن عدداً قليلاً من وحدات المعالجة الرسومية يتفوق دائماً على التدريب واسع النطاق، بل في طرحه طريقة مختلفة لتوزيع العمل الحسابي: يستدل أولاً على ما قد يسببه فعل الروبوت في العالم المادي، ثم يوكل مهمة تحويل تلك النتيجة إلى فيديو متماسك إلى مولّد متخصص.
وفقاً لتقارير منشورة، قدّمت Muka نموذجها باسم مجهول هو SisyphusWorld في تقييم WorldArena، وحقق 73.06 في مقياس EWMScore_P ليحتل المركز الثاني في اللوحة العامة، خلف نموذج Xiaomi UNIS الذي سجل 73.64. وتورد التقارير درجات فرعية هي 89.17 لجودة الحركة، و92.60 للدقة ثلاثية الأبعاد، و85.93 لقابلية التحكم، كما تقول إن التدريب استخدم 32 وحدة Zhenwu 810E GPU. 1
هذه نتيجة لافتة، لكن الأدلة المتاحة هنا تستند أساساً إلى تقارير إعلامية ومنشورة على المنصات؛ لذلك لا تعادل دراسة مستقلة مكتملة لإعادة الإنتاج أو تجارب عزل دقيقة لمساهمة كل جزء من النظام.
الفكرة المحورية: افهم التفاعل قبل أن ترسم المشهد
في نماذج الفيديو الانتشاري المشروطة بالفعل، يُضاف فعل الروبوت غالباً كإشارة منخفضة الأبعاد إلى شبكة توليد الفيديو. قد يجعل ذلك اللقطات تتغير مع الفعل، لكنه يترك للنموذج مهمة استنتاج معنى الأرقام الممثلة للحركة من أهداف تدريب بصرية: هل لامست الذراع جسماً؟ هل أمسكت الماسكة به؟ إلى أين سيتحرك الجسم؟ وهل تبقى العلاقات المكانية متسقة؟
يحاول LJM جعل هذه الخطوة صريحة. فهو يحول التعليمات اللغوية، وتسلسل الرؤية السابق، والملاحظة المرجعية الحالية، والأفعال المستقبلية إلى تمثيل تفاعل كامن قابل للتعلم، ثم يستخدمه لتقييد توليد الفيديو المستقبلي. 1 وبهذا لا يعود مولّد الفيديو وحده مسؤولاً عن فهم الفعل، والتنبؤ بالتفاعل، وإنتاج الصورة في آن واحد.
ولا يعني ذلك أن توليد الفيديو أصبح مسألة ثانوية؛ بل إن الفكرة هي إتاحة مزيد من قدرة المولّد للاتساق البصري والتفاصيل، فيما تُسند توقعات تفاعل الروبوت مع الأجسام إلى طبقة تمثيل مخصصة.
خبيران يتقاسمان المهمة
يتكون LJM من خبيرين يعملان معاً:
- خبير الاستدلال الكامن (Latent Reasoning Expert): مبني على Qwen3-VL-2B، ويقرأ التعليمات والتاريخ البصري والملاحظة المرجعية وخطة الأفعال، ثم ينتج رموز استدلال مستمرة. والمقصود بالاستدلال هنا ليس إخراج سلسلة تفكير لغوية، بل ترميز الحالة التي قد يصل إليها الروبوت، والتغيرات المحتملة في المشهد، والحركة التي يثيرها الفعل داخل الفضاء الكامن.
1
- خبير نمذجة العالم (World Modeling Expert): مبني على Wan2.2-TI2V-5B Diffusion Transformer، ويولّد الفيديو المستقبلي في الفضاء الكامن لـ VAE، محولاً تمثيل التفاعل القادم من الخبير الأول إلى مشاهد متتابعة.
يمكن تشبيه ذلك بوجود «سيناريو للتفاعل» و«مخرج بصري»: الأول يحدد نتائج الأفعال، والثاني يجسدها في مستقبل مرئي قابل للتصديق. هذا التقسيم يفسر، من حيث التصميم، كيف يمكن أن يحقق النظام نتائج قوية في الحركة والفضاء وقابلية التحكم ضمن موارد تدريب محدودة؛ لكنه تفسير معماري معقول، لا برهان نهائي على علاقة سببية.
ثلاثة قيود فيزيائية تربط التمثيل الكامن بالبيانات المرصودة
وجود متغير كامن وحده لا يضمن أنه يمثل عملية فيزيائية حقيقية. لذلك يضيف LJM ثلاث فئات من قيود التنبؤ المرتبطة ببيانات قابلة للرصد:
- الموضع ثلاثي الأبعاد لأداة نهاية الذراع: لربط التمثيل بمسار الجزء التنفيذي من الذراع في الفضاء؛
- الديناميكيات البصرية لأجسام المشهد: كي ينتبه النموذج إلى ما إذا كانت الأجسام التي يجري التعامل معها تتغير بما يوافق الفعل؛
- اتجاه التدفق البصري: لمساءلة النموذج عن اتجاه الحركة في الصورة.
أهمية هذه الأهداف أن التمثيل الكامن لا ينبغي أن يخدم إنتاج لقطات «تبدو معقولة» فقط؛ بل يتعين عليه تفسير اتجاه حركة الروبوت، والأجسام التي تتغير، واتجاه حركة الصورة. وتصف المواد المنشورة ذلك بأنه إشراف متداخل يجمع حالة الروبوت المستقبلية والتدفق البصري والمتغيرات البصرية الكامنة. 1
لكن هذه القيود لا تضمن فهماً فيزيائياً صارماً في كل حالات التلامس أو الاحتكاك أو الحجب البصري، وإن كانت تقدم إشارة تفاعل أكثر مباشرة من مجرد إعادة بناء الفيديو.
لماذا تختلف آلية الانتباه المشترك؟
يعتمد LJM أيضاً على انتباه مشترك بصيغة Mixture-of-Transformers، بما يتيح لرموز الاستدلال ورموز الفيديو تبادل المعلومات عبر طبقات النموذج، بدلاً من تمرير متجه شرط ثابت لمرة واحدة إلى مولّد الفيديو. 1
الغاية من ذلك هي التنسيق المتبادل المستمر:
- يقدّم استدلال التفاعل قيوداً مكانية وحركية لتوليد الفيديو؛
- ويمكن لسياق تمثيلات الفيديو أن يساهم في تحديث تمثيل التفاعل.
وبالمقارنة مع إدخال شرط ثابت وأحادي الاتجاه، قد يكون هذا التبادل الطبقي أنسب للتعامل مع التغذية الراجعة خلال عملية طويلة: فتغير موضع الجسم أو حجبه أو حالته الحركية أثناء التوليد لا يفرض، نظرياً، بقاء تمثيل التفاعل أسيراً للشرط الابتدائي. إلا أن المواد العامة المتاحة لا توفر تجارب عزل مستقلة تكفي لقياس الأثر المنفرد لهذه الآلية. 1
ماذا تعني عبارة «32 وحدة GPU»؟
تصف التقارير تدريب LJM باستخدام 32 وحدة Zhenwu 810E GPU، مع استخدامها في تدريب مسبق على DROID وتدريب لاحق على RoboTwin. 1 والنقطة الأهم ليست أن نمذجة العالم بالفيديو أصبحت رخيصة، بل أن هذه البنية قد تخفف العبء عن مولّد الفيديو كي لا يضطر لاكتشاف بنية التفاعل بشكل غير مباشر من البكسلات وحدها.
بعبارة أخرى، تقوم حجة الكفاءة على انحياز استقرائي: توجيه جزء من الحوسبة إلى تمثيل كامن له معنى تفاعلي واضح وقيود قابلة للرصد، بدلاً من مطالبة نموذج فيديو واحد بتعلم التحكم الحركي والبنية المكانية وديناميكيات الأجسام وجودة المشهد معاً.
مع ذلك، لا يصلح عدد وحدات GPU وحده لمقارنة إجمالي كلفة التدريب بين الأنظمة. فمدة التدريب، وحجم البيانات، وعدد المعلمات، والدقة، وكفاءة التوازي، ومراحل التدريب قد تختلف بصورة كبيرة. لذا لا تكفي المعلومات المتاحة لحساب مقدار التوفير الفعلي في إجمالي الحوسبة مقارنةً بالنماذج الأخرى.
ما المعروف عن الشركة وفريقها؟
تشير تقارير منشورة إلى أن Muka Robotics تأسست في أبريل/نيسان 2026، وأنها تركز على نماذج عالم للروبوتات في البيئة الفيزيائية الحقيقية. وتذكر هذه التقارير أن تشي شياووي، الحاصل على الدكتوراه من جامعة هونغ كونغ للعلوم والتكنولوجيا، هو المؤسس، وأنه الممثل القانوني والمسيطر الفعلي على الشركة؛ كما تصفه تقارير أخرى بأنه شريك مؤسس ورئيسها التنفيذي. 18
38
أما بشأن الخلفيات الكاملة لأعضاء الفريق أو جهات عملهم ودراستهم السابقة، فلا تتضمن المواد المتاحة تفاصيل موثوقة ومتسقة تكفي للتأكيد. لذلك، يصح الاستناد إلى الخلفية الأكاديمية المنشورة للمؤسس، لا تعميمها على الفريق كله. 18
38
ما الذي تثبته النتيجة فعلاً؟
يدعم أداء SisyphusWorld على اللوحة اتجاهاً يستحق اختباراً أوسع: نماذج عالم الروبوتات لا تحتاج بالضرورة إلى الاعتماد فقط على توسيع حجم مولّد الفيديو سعياً إلى الواقعية، بل يمكنها جعل نتائج التفاعل موضوعاً صريحاً للتعلم وربطها بإحكام بتوليد الفيديو.
لكن ترتيب اللوحة وحده لا يثبت أن «الاستدلال الفيزيائي الصريح» تفوق عموماً على التدريب واسع النطاق، ولا يثبت أن LJM يتفوق في كل روبوت أو توزيع بيانات أو سيناريو تشغيل واقعي. ويتطلب التحقق من ذلك تقارير تقنية علنية أكمل، تشمل تجارب عزل لقيود الإشراف الفيزيائي، والانتباه المشترك، وتقسيم العمل بين الخبيرين، إلى جانب تقييمات عبر مجموعات بيانات وروبوتات مختلفة وفي حلقات تحكم حقيقية مغلقة.
والخلاصة الأكثر تحفظاً هي أن LJM يقدم فرضية هندسية مقنعة: إذا دُرّب استدلال التفاعل وتوليد الصورة معاً، من دون خلط وظيفتيهما في نموذج واحد، فقد يمكن تحسين الاتساق الفيزيائي والجودة البصرية باستثمار حوسبي أكثر تركيزاً. 1
Studio Global AI
مواصلة البحث الخاص بك
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
يسأل الناس أيضا
ما هي الإجابة المختصرة على "كيف نافس LJM بموارد تدريب محدودة ووصل إلى المركز الثاني في WorldArena؟"؟
بحسب تقارير منشورة، سجّل نموذج SisyphusWorld التابع لـ Muka Robotics درجة 73.06 في EWMScore P وحلّ ثانياً في لوحة WorldArena العامة، بعد Xiaomi UNIS صاحب 73.64.
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
بحسب تقارير منشورة، سجّل نموذج SisyphusWorld التابع لـ Muka Robotics درجة 73.06 في EWMScore P وحلّ ثانياً في لوحة WorldArena العامة، بعد Xiaomi UNIS صاحب 73.64. يفصل LJM بين تمثيل نتائج تفاعل الروبوت مع البيئة في فضاء كامن وبين رسم تلك النتائج في فيديو مستقبلي، مع قيود تدريب تشمل موضع أداة نهاية الذراع ثلاثي الأبعاد، وديناميكيات الأجسام، واتجاه التدفق البصري.