उत्तरप्रकाशित13 स्रोत
Muka Robotics का LJM सिर्फ 32 GPU के साथ WorldArena में दूसरे स्थान तक कैसे पहुंचा
सार्वजनिक रिपोर्टों के अनुसार, Muka Robotics के गुमनाम सबमिशन SisyphusWorld ने WorldArena पर 73.06 EWMScore P के साथ दूसरा स्थान पाया। प्रशिक्षण में 32 Zhenwu 810E GPU इस्तेमाल होने की बात कही गई है। मॉडल की रणनीति पह... LJM में Qwen3 VL 2B आधारित लेटेंट रीज़निंग एक्सपर्ट और Wan2.2 TI2V 5B वीडियो एक्सपर्ट साथ काम कर...
प्रकाशितकर्ताGPT-5.6 Terra से संपादितGPT Image 2 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- सार्वजनिक रिपोर्टों के अनुसार, Muka Robotics के गुमनाम सबमिशन SisyphusWorld ने WorldArena पर 73.06 EWMScore P के साथ दूसरा स्थान पाया। प्रशिक्षण में 32 Zhenwu 810E GPU इस्तेमाल होने की बात कही गई है। मॉडल की रणनीति पह...
- LJM में Qwen3 VL 2B आधारित लेटेंट रीज़निंग एक्सपर्ट और Wan2.2 TI2V 5B वीडियो एक्सपर्ट साथ काम करते हैं। एंड इफेक्टर की 3D स्थिति, वस्तुओं की दृश्य गतिशीलता और ऑप्टिकल फ्लो दिशा जैसी बाधाएं इसके लेटेंट संकेतों को वास्त...
AI संकेत
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 के LJM (Latent Joint-conditional Model) की चर्चा इसलिए नहीं है कि इसने यह साबित कर दिया कि कम कंप्यूट हमेशा बड़े प्रशिक्षण सेटअप को हरा सकता है। असली बात यह है कि इसने संसाधनों को अलग ढंग से बांटने का प्रस्ताव रखा: रोबोट की क्रिया से भौतिक दुनिया में क्या बदलेगा, इसका अनुमान लगाना एक काम है; और उस बदलाव को लगातार, विश्वसनीय वीडियो में दिखाना दूसरा। LJM इन दोनों कामों को अलग-अलग सीखता है, लेकिन उन्हें लगातार एक-दूसरे से जोड़कर रखता है।
सार्वजनिक रिपोर्टों के मुताबिक, Muka ने SisyphusWorld नाम से गुमनाम रूप में LJM जमा किया। उसे WorldArena की सार्वजनिक रैंकिंग में 73.06 EWMScore_P के साथ दूसरा स्थान मिला, जबकि Xiaomi UNIS का स्कोर 73.64 था। रिपोर्ट में 89.17 Motion Quality, 92.60 3D Accuracy और 85.93 Controllability जैसे उप-स्कोर भी बताए गए हैं तथा प्रशिक्षण के लिए 32 Zhenwu 810E GPU के इस्तेमाल का दावा है।1 नतीजे ध्यान खींचते हैं, पर उपलब्ध साक्ष्य मुख्यतः प्लेटफॉर्म और मीडिया रिपोर्टिंग पर आधारित हैं; इन्हें स्वतंत्र पुनरुत्पादन या विस्तृत एब्लेशन अध्ययन का विकल्प नहीं मानना चाहिए।
मुख्य विचार: पहले इंटरैक्शन का मॉडल, फिर दृश्य का निर्माण
आम तौर पर एक्शन-कंडीशन्ड वीडियो डिफ्यूजन मॉडल रोबोट की क्रिया को वीडियो जनरेटर के लिए कम-आयामी इनपुट के रूप में जोड़ते हैं। इससे आउटपुट क्रिया के हिसाब से बदल सकता है, लेकिन मॉडल को वीडियो या पिक्सेल-स्तरीय लॉस से खुद ही यह सीखना पड़ता है कि इन संख्याओं का भौतिक अर्थ क्या है।
मिसाल के लिए, रोबोटिक आर्म किसी वस्तु को छूएगा या नहीं, ग्रिपर ने उसे पकड़ा या नहीं, वस्तु किस दिशा में जाएगी, और दृश्य में स्थानिक संबंध एक जैसे रहेंगे या नहीं—इन सबका अर्थ जनरेटर को अप्रत्यक्ष रूप से निकालना पड़ता है।
LJM इस चरण को स्पष्ट बनाना चाहता है। यह भाषा निर्देश, पिछले विजुअल फ्रेम, वर्तमान एंकर अवलोकन और भविष्य की क्रियाओं को सीखने योग्य इंटरैक्शन लेटेंट्स में बदलता है। यही लेटेंट्स आगे बनने वाले वीडियो को नियंत्रित करते हैं।1 यानी वीडियो मॉडल को अकेले क्रिया समझने, इंटरैक्शन का अनुमान लगाने और दृश्य रचने—तीनों काम एक साथ नहीं उठाने पड़ते।
इसका अर्थ यह नहीं कि वीडियो निर्माण गौण हो जाता है। LJM का तर्क उलटा है: जब इंटरैक्शन के अनुमान के लिए अलग प्रतिनिधित्व हो, तो वीडियो जनरेटर अपनी अधिक क्षमता दृश्य की निरंतरता और बारीकियों को बेहतर बनाने में लगा सकता है।
डुअल-एक्सपर्ट ढांचा: कौन क्या करता है
LJM में दो सहयोगी एक्सपर्ट हैं:
- Latent Reasoning Expert (लेटेंट रीजनिंग एक्सपर्ट): यह Qwen3-VL-2B पर आधारित है। यह निर्देश, विजुअल अनुक्रम, एंकर अवलोकन और नियोजित क्रियाओं को पढ़कर लगातार reasoning tokens बनाता है। यहां “रीजनिंग” का अर्थ प्राकृतिक भाषा में सोचने की श्रृंखला लिखना नहीं है, बल्कि लेटेंट स्पेस में यह दर्शाना है कि रोबोट किस स्थिति तक पहुंचेगा, दृश्य में क्या बदल सकता है और क्रिया किस प्रकार की गति उत्पन्न करेगी।
1
- World Modeling Expert (वर्ल्ड-मॉडलिंग एक्सपर्ट): यह Wan2.2-TI2V-5B Diffusion Transformer पर आधारित है और VAE लेटेंट स्पेस में भविष्य का वीडियो बनाता है। रीजनिंग एक्सपर्ट से मिले इंटरैक्शन संकेतों को यह निरंतर दृश्य में बदलता है।
इसे “इंटरैक्शन की पटकथा” और “विजुअल रेंडरिंग” के मेल की तरह समझा जा सकता है। पहला एक्सपर्ट यह बताता है कि क्रिया के बाद क्या होना चाहिए; दूसरा उसे विश्वसनीय दृश्य भविष्य के रूप में पेश करता है। यही कार्य-विभाजन सीमित प्रशिक्षण संसाधनों में गति, स्थानिक सटीकता और नियंत्रणीयता को बेहतर करने की एक संभावित व्याख्या देता है—लेकिन इसे अभी निर्णायक कारणात्मक प्रमाण नहीं कहा जा सकता।
तीन भौतिक पूर्वानुमान बाधाएं क्यों अहम हैं
केवल एक लेटेंट प्रतिनिधित्व जोड़ देने से यह सुनिश्चित नहीं होता कि मॉडल सचमुच भौतिक प्रक्रिया समझ रहा है। LJM की एक और परत है: इसके रीजनिंग टोकनों पर तीन प्रकार की ऐसी पूर्वानुमान बाधाएं लगाई जाती हैं जिनका मिलान देखे जा सकने वाले डेटा से किया जा सकता है:
- एंड-इफेक्टर की 3D स्थिति: इससे प्रतिनिधित्व रोबोटिक आर्म के अंतिम हिस्से की स्थानिक गति-पथ से जुड़ता है;
- दृश्य में वस्तुओं की विजुअल डायनेमिक्स: मॉडल को यह देखना पड़ता है कि जिस वस्तु पर काम हो रहा है, उसमें क्रिया के अनुरूप बदलाव आया या नहीं;
- ऑप्टिकल फ्लो की दिशा: इससे मॉडल स्क्रीन पर गति की दिशा के प्रति उत्तरदायी बनता है।
इन लक्ष्यों का महत्व यह है कि लेटेंट संकेत केवल “देखने में सही” वीडियो बनाने के लिए उपयोगी नहीं रह सकते। उन्हें यह भी बताना होता है कि रोबोट कहां जा रहा है, किन वस्तुओं में बदलाव होगा और स्क्रीन पर गति किस दिशा में दिखनी चाहिए। रिपोर्ट इस व्यवस्था को भविष्य की रोबोट-अवस्था, ऑप्टिकल फ्लो और विजुअल लेटेंट्स के संयुक्त नियंत्रण के रूप में वर्णित करती है।1
बेशक, इससे यह गारंटी नहीं मिलती कि मॉडल हर संपर्क, घर्षण या ओक्लूज़न वाली परिस्थिति में कठोर भौतिक समझ रखेगा। लेकिन यह केवल वीडियो रिकंस्ट्रक्शन की तुलना में प्रशिक्षण को अधिक प्रत्यक्ष इंटरैक्शन संकेत देता है।
साझा अटेंशन, एकमुश्त कंडीशनिंग से कैसे अलग है
LJM, Mixture-of-Transformers शैली का shared attention इस्तेमाल करता है। इसमें रीजनिंग टोकन और वीडियो टोकन मॉडल की परतों के बीच सूचना साझा करते हैं। यह उस तरीके से अलग है जिसमें शुरुआत में सिर्फ एक स्थिर कंडीशन-वेक्टर वीडियो जनरेटर को दे दिया जाता है।1
डिजाइन का उद्देश्य लगातार दोतरफा तालमेल बनाना है:
- इंटरैक्शन का अनुमान वीडियो जनरेशन को स्थानिक और गति-संबंधी बाधाएं देता है;
- वीडियो प्रतिनिधित्व का बदलता संदर्भ इंटरैक्शन प्रतिनिधित्व को अपडेट करने में भाग ले सकता है।
यह लंबे कार्यों में उपयोगी हो सकता है। उदाहरण के तौर पर, यदि वीडियो बनने के दौरान वस्तु की स्थिति, उसका ओक्लूज़न या गति बदलती है, तो इंटरैक्शन प्रतिनिधित्व सैद्धांतिक रूप से शुरुआत की स्थिर कंडीशनिंग तक सीमित नहीं रहता। सार्वजनिक सामग्री इस तंत्र का वर्णन करती है, लेकिन इसके अकेले योगदान को मापने वाले स्वतंत्र एब्लेशन नतीजे उपलब्ध नहीं कराती।1
“32 GPU” का मतलब—और इसकी सीमा
रिपोर्टों में LJM के प्रशिक्षण के लिए 32 Zhenwu 810E GPU का उल्लेख है, जिन्हें DROID प्रीट्रेनिंग और RoboTwin पर आगे के प्रशिक्षण में इस्तेमाल किया गया।1 इसका सही अर्थ यह नहीं कि वीडियो वर्ल्ड मॉडल अचानक सस्ते हो गए हैं। अधिक उचित निष्कर्ष यह है कि यह वास्तुकला वीडियो जनरेटर पर पिक्सेल से अप्रत्यक्ष रूप से इंटरैक्शन संरचना खोजने का बोझ कम कर सकती है।
दूसरे शब्दों में, दक्षता का दावा इंडक्टिव बायस पर टिका है: कंप्यूट को उन लेटेंट प्रतिनिधित्वों और उनके अवलोकनीय नियंत्रणों पर केंद्रित करना, जिनका इंटरैक्शन से स्पष्ट संबंध हो, बजाय इसके कि एक ही वीडियो मॉडल को नियंत्रण, स्थानिक संरचना, वस्तु-गतिशीलता और दृश्य गुणवत्ता सब कुछ एक साथ सीखना पड़े।
फिर भी, केवल GPU की संख्या से कुल प्रशिक्षण कंप्यूट की सीधी तुलना नहीं की जा सकती। प्रशिक्षण अवधि, डेटा का आकार, मॉडल पैरामीटर, वीडियो रिज़ॉल्यूशन, समानांतर दक्षता और प्रशिक्षण चरण अलग-अलग हो सकते हैं। इसलिए मौजूदा जानकारी से यह कड़ाई से नहीं निकाला जा सकता कि LJM ने अन्य प्रणालियों की तुलना में कुल कितनी कंप्यूट बचत की।
कंपनी और टीम: क्या पुष्टि होती है, क्या नहीं
सार्वजनिक रिपोर्टों में कहा गया है कि Muka Robotics की स्थापना अप्रैल 2026 में हुई और उसका फोकस वास्तविक भौतिक दुनिया के लिए रोबोट वर्ल्ड मॉडल पर है। एक रिपोर्ट में हांगकांग यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी (HKUST) के पीएचडी डॉ. ची शियाओवेई को संस्थापक, कानूनी प्रतिनिधि और वास्तविक नियंत्रक बताया गया है।38 एक अन्य रिपोर्ट उन्हें सह-संस्थापक और CEO कहती है।
18
हालांकि, टीम के सभी सदस्यों की पिछली कंपनियों, लैबों या संस्थानों की पूरी और एकरूप जानकारी उपलब्ध स्रोतों में पुष्टि योग्य नहीं है। इसलिए सावधान निष्कर्ष यही है कि ची शियाओवेई की HKUST पीएचडी पृष्ठभूमि का सार्वजनिक समर्थन मिलता है, लेकिन इसी आधार पर पूरी टीम की पृष्ठभूमि का अनुमान लगाना उचित नहीं होगा।18
38
यह उपलब्धि वास्तव में क्या बताती है
SisyphusWorld का रैंकिंग प्रदर्शन एक ऐसे विचार को समर्थन देता है जिसकी आगे जांच जरूरी है: रोबोट वर्ल्ड मॉडल को सिर्फ वीडियो जनरेटर का आकार बढ़ाकर यथार्थवाद पाने की जरूरत नहीं है। वह क्रियाओं के इंटरैक्शन परिणामों को सीखने का स्पष्ट विषय बना सकता है और उसे वीडियो निर्माण से कसकर जोड़ सकता है।
फिर भी, अकेली लीडरबोर्ड रैंकिंग यह सिद्ध नहीं करती कि “स्पष्ट भौतिक रीजनिंग” हर जगह स्केल-अप प्रशिक्षण से बेहतर है। न ही इससे यह साबित होता है कि LJM हर रोबोट, हर डेटा वितरण या वास्तविक तैनाती की हर स्थिति में श्रेष्ठ होगा। इसकी पुष्टि के लिए अधिक विस्तृत सार्वजनिक तकनीकी रिपोर्ट चाहिए—जैसे भौतिक सुपरविजन के अलग-अलग घटकों, shared attention और डुअल-एक्सपर्ट विभाजन के एब्लेशन; साथ ही अलग डेटासेट, अलग रोबोट शरीरों और वास्तविक क्लोज्ड-लूप नियंत्रण में परीक्षण।
फिलहाल सबसे संतुलित निष्कर्ष यह है: LJM रोबोट वर्ल्ड मॉडल के लिए एक भरोसेमंद इंजीनियरिंग परिकल्पना पेश करता है—अगर इंटरैक्शन के अनुमान और विजुअल जनरेशन को साथ, लेकिन एक ही चीज़ मानकर नहीं, प्रशिक्षित किया जाए, तो केंद्रित कंप्यूट के साथ भौतिक संगति और दृश्य गुणवत्ता, दोनों में सुधार संभव हो सकता है। 1
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
लोग पूछते भी हैं
"Muka Robotics का LJM सिर्फ 32 GPU के साथ WorldArena में दूसरे स्थान तक कैसे पहुंचा" का संक्षिप्त उत्तर क्या है?
सार्वजनिक रिपोर्टों के अनुसार, Muka Robotics के गुमनाम सबमिशन SisyphusWorld ने WorldArena पर 73.06 EWMScore P के साथ दूसरा स्थान पाया। प्रशिक्षण में 32 Zhenwu 810E GPU इस्तेमाल होने की बात कही गई है। मॉडल की रणनीति पह...
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
सार्वजनिक रिपोर्टों के अनुसार, Muka Robotics के गुमनाम सबमिशन SisyphusWorld ने WorldArena पर 73.06 EWMScore P के साथ दूसरा स्थान पाया। प्रशिक्षण में 32 Zhenwu 810E GPU इस्तेमाल होने की बात कही गई है। मॉडल की रणनीति पह... LJM में Qwen3 VL 2B आधारित लेटेंट रीज़निंग एक्सपर्ट और Wan2.2 TI2V 5B वीडियो एक्सपर्ट साथ काम करते हैं। एंड इफेक्टर की 3D स्थिति, वस्तुओं की दृश्य गतिशीलता और ऑप्टिकल फ्लो दिशा जैसी बाधाएं इसके लेटेंट संकेतों को वास्त...