Miten Muka Roboticsin LJM nousi WorldArenan kakkoseksi 32 GPU:lla?

Muka Roboticsin LJM:n (Latent Joint-conditional Model) kiinnostavin piirre ei ole väite siitä, että pieni laskenta päihittäisi aina suuret harjoitusajot. Kiinnostavampaa on tapa jakaa työ: robottitoiminnan fyysisten seurausten ennakointi opetetaan erikseen siitä, miten nämä seuraukset renderöidään uskottavaksi videoksi.

Julkisten raporttien mukaan Mukan nimimerkillä SisyphusWorld jättämä malli sai WorldArenan julkisella listalla EWMScore_P-tuloksen 73,06 ja sijoittui toiseksi, kun Xiaomi UNIS sai 73,64. Raportoituja osatuloksia olivat 89,17 Motion Quality, 92,60 3D Accuracy ja 85,93 Controllability. Harjoituksessa kerrotaan käytetyn 32 Zhenwu 810E -GPU:ta. 1 Tulos on huomionarvoinen, mutta saatavilla oleva aineisto perustuu pääosin alusta- ja mediaraportteihin: se ei korvaa avointa, riippumatonta toistoa tai kattavaa ablaatiotutkimusta.

Ensin vuorovaikutuksen ennakointi, sitten kuvan luonti

Tavallisessa toiminnolla ehdollistetussa videodiffuusiomallissa robotin liike tuodaan videomallille usein matalaulotteisena lisäehtona. Se voi tehdä tuotetusta videosta ohjattavamman, mutta samalla saman mallin on opittava pikseli- tai videotason harjoitustavoitteista, mitä toimintalukujen pitäisi fyysisesti tarkoittaa: osuuko robottikäsi esineeseen, tarttuuko se siihen, mihin esine siirtyy ja säilyvätkö tilasuhteet johdonmukaisina.

LJM pyrkii tekemään tämän väliaskeleen näkyväksi. Se muuntaa kieliohjeen, visuaalisen historian, nykyisen ankkurihavainnon ja tulevat toiminnot opittavaksi vuorovaikutuslatentiksi, joka rajoittaa myöhempää tulevaisuusvideon generointia. 1 Näin videomallin ei tarvitse yksin ratkaista toiminnan tulkintaa, vuorovaikutuksen ennustamista ja kuvallista esittämistä.

Ajatus ei vähättele video-osaamisen merkitystä. Päinvastoin: LJM:n lähtökohta on, että generaattori voi käyttää enemmän kapasiteettiaan visuaaliseen jatkuvuuteen ja yksityiskohtiin, kun robotti–esine-vuorovaikutuksen ennustamiseen on oma esityskerroksensa.

Kaksi asiantuntijaa jakaa tehtävät

LJM koostuu kahdesta yhteistyötä tekevästä asiantuntijasta:

• Latent Reasoning Expert eli latentti päättelyasiantuntija perustuu Qwen3-VL-2B-malliin. Se lukee ohjeen, visuaalisen sarjan, ankkurihavainnon ja suunnitellut toiminnot sekä tuottaa jatkuvia päättelytokeneita. Kyse ei ole luonnollisen kielen ajatusketjusta, vaan latentissa tilassa tapahtuvasta ennusteesta: mihin tilaan robotti päätyy, miten näkymä voi muuttua ja millaista liikettä toiminto aiheuttaa. 1
• World Modeling Expert eli maailmanmallinnusasiantuntija perustuu Wan2.2-TI2V-5B Diffusion Transformeriin. Se tuottaa VAE-latentissa tilassa tulevaisuusvideon ja muuntaa ensimmäisen asiantuntijan vuorovaikutusesityksen yhtenäiseksi kuvasarjaksi. 1

Vertauskuvana ensimmäinen asiantuntija kirjoittaa vuorovaikutuksen käsikirjoituksen, toinen visualisoi sen. Tällainen työnjako voi selittää, miksi ratkaisu voi saavuttaa hyvän liike-, tila- ja ohjattavuustuloksen rajatummilla harjoitusresursseilla. Se on kuitenkin arkkitehtuurista johdettu uskottava selitys, ei vielä lopullinen kausaalinen näyttö.

Kolme fyysistä ennustetta sitoo latentit havaittavaan dataan

Pelkkä latentti muuttuja ei takaa, että se kuvaa oikeita fysikaalisia tapahtumia. LJM asettaa päättelytokeneille kolme havaittavaan dataan kytkeytyvää ennustevaatimusta:

1. Työkalupään 3D-sijainti, jotta esitys vastaa robottikäden avaruudellista rataa.
2. Näkymän esineiden visuaalinen dynamiikka, jotta malli seuraa, muuttuvatko käsiteltävät kohteet toiminnan mukaisesti.
3. Optisen virtauksen suunta, jotta mallin kuvan liikesuunta pysyy vastuullisena ja johdonmukaisena. 1

Näiden tavoitteiden tarkoitus on estää latentin esityksen jääminen vain uskottavan näköisten ruutujen apuvälineeksi. Sen on myös selitettävä, minne robotti liikkuu, mitkä esineet muuttuvat ja mihin suuntaan liike kuvassa etenee. Julkisissa kuvauksissa tätä luonnehditaan tulevan robotin tilan, optisen virtauksen ja visuaalisten latenttien lomittaiseksi ohjaukseksi. 1

Tämä ei silti takaa tiukkaa fysikaalista ymmärrystä kaikissa kosketus-, kitka- tai peittymistilanteissa. Se tarjoaa kuitenkin pelkkää videon rekonstruointia suorempia signaaleja robottien ja esineiden välisestä vuorovaikutuksesta.

Jaettu huomio ei ole kertaluonteinen ohjaussignaali

LJM käyttää Mixture-of-Transformers-rakenteessa jaettua attention-mekanismia, jonka kautta päättelytokenit ja videotokenit vaihtavat tietoa mallin eri kerroksissa. 1 Ratkaisu eroaa asetelmasta, jossa videon generaattorille annetaan vain kerran kiinteä ehto-vektori.

Suunniteltu hyöty on jatkuva kaksisuuntainen yhteensovitus:

• vuorovaikutuksen ennakointi antaa videogeneroinnille tila- ja liikerajoitteita;
• videon konteksti voi puolestaan osallistua vuorovaikutusesityksen päivittämiseen.

Tämä voisi olla hyödyllistä pitkissä tapahtumaketjuissa, joissa esineen paikka, peittyminen tai liike muuttuu generoinnin aikana. Julkisissa materiaaleissa mekanismi kuvataan, mutta niissä ei esitetä riippumatonta ablaatiotulosta, jolla juuri jaetun huomion yksittäinen vaikutus voitaisiin mitata. 1

Mitä 32 GPU:n väite kertoo – ja mitä se ei kerro

Raporttien mukaan LJM:n harjoituksessa käytettiin 32 Zhenwu 810E -GPU:ta sekä DROID-esiharjoituksessa että RoboTwin-jatkoharjoituksessa. 1 Oleellinen tulkinta ei ole, että videomaailmamallien harjoittamisesta olisi tullut automaattisesti halpaa. Sen sijaan arkkitehtuuri voi vähentää tarvetta pakottaa yksi videomalli löytämään vuorovaikutuksen rakenteet epäsuorasti pikseleistä.

Tehokkuusväite liittyy siis induktiiviseen oletukseen: laskentaa kohdistetaan eksplisiittiseen, vuorovaikutuksen kannalta merkitykselliseen latenttiin esitykseen ja sen havaittaviin rajoitteisiin, eikä yhden videomallin oleteta oppivan samanaikaisesti ohjausta, tilarakennetta, esinedynamiikkaa ja kuvanlaatua.

Pelkkä GPU-määrä ei kuitenkaan riitä vertailemaan kokonaislaskentaa. Harjoitusajan, datamäärän, parametrimäärän, resoluution, rinnakkaistehokkuuden ja harjoitusvaiheiden erot voivat olla suuria. Nykyisten tietojen perusteella ei voi laskea luotettavasti, kuinka paljon kokonaislaskentaa LJM säästi suhteessa muihin malleihin.

Yrityksestä tiedetään vasta rajallisesti

Julkisten raporttien mukaan Muka Robotics perustettiin huhtikuussa 2026, ja se keskittyy fyysiseen todellisuuteen tarkoitettuihin robottien maailmanmalleihin. Hongkongin tiede- ja teknologiayliopistosta väitellyt Chi Xiaowei on nimetty perustajaksi; erään raportin mukaan hän on yrityksen laillinen edustaja ja tosiasiallinen määräysvallan käyttäjä, toisen mukaan toinen perustaja ja toimitusjohtaja. 1838

Koko tiimin aiemmista työnantajista, laboratorioista tai taustaorganisaatioista ei annetuissa lähteissä ole riittävän yhtenäistä ja luotettavaa tietoa. Siksi perustelluin johtopäätös koskee Chin Hongkongin tiede- ja teknologiayliopistotaustaa, ei koko tiimin laajempaa taustaa. 1838

Mitä sijoitus oikeastaan osoittaa?

SisyphusWorldin listatulos tukee tutkimussuuntaa, jota kannattaa testata lisää: robottien maailmanmallien ei välttämättä tarvitse tavoitella parempaa fyysistä uskottavuutta vain kasvattamalla videogeneraattorin kokoa. Vaihtoehtona on opettaa toiminnan seuraukset eksplisiittisesti ja kytkeä ne tiiviisti videon generointiin.

Sijoitus ei yksin todista, että eksplisiittinen fyysinen päättely olisi yleisesti parempi kuin suuremman mittakaavan harjoitus. Se ei myöskään osoita, että LJM olisi ylivoimainen kaikilla roboteilla, kaikissa datajakaumissa tai aidossa suljetun silmukan ohjauksessa. Vahvempi näyttö vaatisi avoimempaa teknistä raportointia: ablaatioita fyysisille ohjaustavoitteille, jaetulle huomiolle ja kahden asiantuntijan työnjaolle sekä arviointeja eri aineistoilla, robottirungoilla ja todellisissa ohjaustilanteissa.

Tällä hetkellä varovainen johtopäätös on, että LJM esittää vakuuttavan insinöörihypoteesin: kun vuorovaikutuksen ennakointi ja visuaalinen generointi opetetaan yhdessä mutta eri tehtävinä, laskenta voidaan ehkä kohdistaa tarkemmin ja samalla parantaa sekä fyysistä johdonmukaisuutta että kuvanlaatua. 1