RespuestasPublicado13 fuentes
Cómo LJM llevó a Muka Robotics al segundo puesto de WorldArena con 32 GPU
Según informaciones públicas, el modelo anónimo SisyphusWorld de Muka Robotics obtuvo 73,06 en EWMScore P y el segundo lugar de WorldArena. LJM combina un experto de razonamiento basado en Qwen3 VL 2B con un experto de vídeo basado en Wan2.2 TI2V 5B.
Publicado porEditado con GPT-5.6 TerraImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- Según informaciones públicas, el modelo anónimo SisyphusWorld de Muka Robotics obtuvo 73,06 en EWMScore P y el segundo lugar de WorldArena.
- LJM combina un experto de razonamiento basado en Qwen3 VL 2B con un experto de vídeo basado en Wan2.2 TI2V 5B.
Prompt de IA
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
Muka Robotics ha llamado la atención con LJM (Latent Joint-conditional Model) no porque haya demostrado que menos capacidad de cálculo siempre vence a entrenamientos masivos, sino por una manera distinta de repartir el trabajo: aprender por separado qué consecuencias tendrá una acción en el mundo físico y cómo convertir esas consecuencias en un vídeo coherente, manteniendo ambas funciones conectadas.
Según los reportes disponibles, Muka presentó LJM bajo el seudónimo SisyphusWorld y alcanzó el segundo puesto de la clasificación pública de WorldArena con un EWMScore_P de 73,06, por detrás de Xiaomi UNIS, con 73,64. Las mismas informaciones citan 89,17 en Motion Quality, 92,60 en 3D Accuracy y 85,93 en Controllability, y señalan que el entrenamiento utilizó 32 GPU Zhenwu 810E.1 Son resultados relevantes, pero la evidencia accesible procede principalmente de la plataforma y de medios: no sustituye una reproducción independiente completa ni un estudio público de ablación.
La idea central: modelar la interacción antes de generar la imagen
En los modelos habituales de difusión de vídeo condicionados por acciones, la acción del robot suele entrar en la red generativa como una condición de baja dimensión. Esto permite que el resultado cambie con la acción, pero obliga al modelo a deducir, sobre todo a partir de objetivos visuales o de píxeles, qué significan esos valores: si el brazo toca un objeto, si la pinza lo ha agarrado, hacia dónde se desplazará o si las relaciones espaciales se conservan.
LJM busca hacer explícita esa etapa. Convierte las instrucciones en lenguaje natural, el historial visual, la observación de referencia actual y las acciones futuras en un «latente de interacción» aprendible. Ese latente condiciona la generación del vídeo futuro.1 Así, el generador no tiene que cargar por sí solo con la comprensión de la acción, la predicción de la interacción y la síntesis visual.
La generación de vídeo sigue siendo esencial. La apuesta de LJM es que el generador pueda dedicar más capacidad a mantener la coherencia visual y los detalles, mientras una capa de representación especializada anticipa las interacciones entre el robot y los objetos.
Dos expertos, dos tareas complementarias
La arquitectura LJM reúne dos expertos que cooperan:
- Latent Reasoning Expert o experto de razonamiento latente: basado en Qwen3-VL-2B, procesa instrucciones, secuencias visuales, la observación de referencia y las acciones planificadas para producir tokens continuos de razonamiento. No se trata de una cadena de pensamiento en lenguaje natural, sino de una representación latente de los estados a los que llegará el robot, los cambios previsibles de la escena y el movimiento provocado por la acción.
1
- World Modeling Expert o experto de modelado del mundo: basado en el Diffusion Transformer Wan2.2-TI2V-5B, genera el vídeo futuro en el espacio latente de un VAE y convierte la representación de interacción del primer experto en imágenes continuas.
Una forma sencilla de entenderlo es como la combinación de un «guion de interacción» y un «renderizado visual»: el primero describe las consecuencias de actuar; el segundo las representa como un futuro visual verosímil. Esta división ayuda a explicar por qué el enfoque podría lograr buenos resultados de movimiento, geometría espacial y control con recursos de entrenamiento acotados. Aun así, es una explicación arquitectónica plausible, no una demostración definitiva de causalidad.
Tres restricciones físicas para anclar el latente a datos observables
Introducir una variable latente no garantiza, por sí mismo, que represente procesos físicos. LJM añade tres objetivos de predicción asociados a datos observables para supervisar sus tokens de razonamiento:
- La posición tridimensional del efector final, para vincular la representación con la trayectoria espacial del extremo del brazo robótico.
- La dinámica visual de los objetos de la escena, para que el modelo atienda a si los objetos manipulados cambian de una forma compatible con la acción.
- La dirección del flujo óptico, para responsabilizar al modelo de la dirección del movimiento en la imagen.
El objetivo es que la representación latente no se limite a producir fotogramas que parezcan razonables. También debe dar cuenta de adónde va el robot, qué objetos cambian y en qué dirección se mueve la escena. Los materiales públicos describen esta supervisión entrelazada como una restricción conjunta sobre el estado futuro del robot, el flujo óptico y los latentes visuales.1
Estas restricciones no garantizan una comprensión física rigurosa en todos los casos de contacto, fricción u oclusión, pero aportan señales de interacción más directas que la mera reconstrucción de vídeo.
Por qué la atención compartida no es una condición inyectada una sola vez
LJM utiliza además atención compartida en una configuración de Mixture-of-Transformers. Los tokens de razonamiento y los de vídeo intercambian información entre capas, en vez de limitarse a pasar una única condición fija al generador de vídeo.1
La intención es mantener una coordinación bidireccional:
- el razonamiento sobre la interacción aporta restricciones espaciales y de movimiento a la generación de vídeo;
- el contexto recogido en las representaciones de vídeo puede, a su vez, actualizar la representación de interacción.
Frente a una inyección de condiciones fija y unidireccional, este intercambio por capas encaja mejor con procesos largos en los que la posición de un objeto, las oclusiones o el estado de movimiento cambian durante la generación. La documentación pública explica el mecanismo, pero no aporta resultados de ablación independientes que permitan cuantificar su contribución aislada.1
Qué significan —y qué no— las 32 GPU
Los reportes sitúan el entrenamiento de LJM en 32 GPU Zhenwu 810E, empleadas durante el preentrenamiento con DROID y el entrenamiento posterior con RoboTwin.1 La lectura útil no es que los modelos de mundo en vídeo se hayan vuelto baratos, sino que esta arquitectura podría reducir la carga de descubrir indirectamente la estructura de interacción a partir de píxeles.
En otras palabras, la promesa de eficiencia procede de su sesgo inductivo: destinar cómputo a una representación latente con significado de interacción claro y a restricciones observables, en lugar de pedir a un único modelo de vídeo que aprenda simultáneamente control de acciones, estructura espacial, dinámica de objetos y calidad visual.
Sin embargo, el número de GPU no permite comparar directamente el cómputo total de entrenamiento. La duración, el volumen de datos, el número de parámetros, la resolución, la eficiencia de paralelización y las fases de entrenamiento pueden variar mucho entre sistemas. Con los datos disponibles no es posible calcular con rigor cuánto cómputo total ahorró LJM frente a otros modelos.
Lo que se sabe sobre la empresa y su equipo
Los reportes públicos indican que Muka Robotics fue fundada en abril de 2026 y se centra en modelos de mundo robóticos orientados al mundo físico real. Esas informaciones identifican a Chi Xiaowei, doctor por la Universidad de Ciencia y Tecnología de Hong Kong, como fundador; otra publicación lo describe como cofundador y CEO.18
38
No obstante, el material aportado no ofrece detalles suficientemente fiables y consistentes para confirmar la procedencia completa de todos los integrantes del equipo, ya sea de empresas, laboratorios o instituciones concretas. La conclusión prudente es que el doctorado de Chi Xiaowei en la Universidad de Ciencia y Tecnología de Hong Kong cuenta con respaldo en las informaciones publicadas, pero no debe extrapolarse a un historial completo del equipo.18
38
Qué demuestra realmente este resultado
El desempeño de SisyphusWorld en la clasificación respalda una línea de investigación que merece más pruebas: un modelo de mundo robótico no tiene por qué depender solo de aumentar la escala de un generador de vídeo para perseguir realismo. También puede convertir las consecuencias de la interacción en un objeto explícito de aprendizaje y acoplarlo estrechamente a la generación visual.
Pero un puesto en una clasificación no prueba por sí solo que el razonamiento físico explícito sea superior de forma general al entrenamiento a gran escala. Tampoco demuestra que LJM vaya a imponerse en todos los robots, distribuciones de datos o despliegues reales. Para verificarlo harían falta informes técnicos más completos: ablaciones de cada señal de supervisión física, de la atención compartida y de la división entre expertos, además de evaluaciones entre conjuntos de datos, tipos de robot y control en bucle cerrado.
Por ahora, la conclusión más razonable es esta: LJM plantea una hipótesis de ingeniería convincente. Si la predicción de interacciones y la generación visual se entrenan juntas, pero sin confundir sus funciones, podría ser posible mejorar la consistencia física y la calidad visual con un uso más focalizado del cómputo. 1
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "Cómo LJM llevó a Muka Robotics al segundo puesto de WorldArena con 32 GPU"?
Según informaciones públicas, el modelo anónimo SisyphusWorld de Muka Robotics obtuvo 73,06 en EWMScore P y el segundo lugar de WorldArena.
¿Cuáles son los puntos clave a validar primero?
Según informaciones públicas, el modelo anónimo SisyphusWorld de Muka Robotics obtuvo 73,06 en EWMScore P y el segundo lugar de WorldArena. LJM combina un experto de razonamiento basado en Qwen3 VL 2B con un experto de vídeo basado en Wan2.2 TI2V 5B.