JawabanDipublikasikan13 sumber
Bagaimana LJM Muka Robotics Menembus Posisi Kedua WorldArena dengan 32 GPU
Menurut laporan publik, model anonim SisyphusWorld milik Muka Robotics mencatat EWMScore P 73,06 dan berada di posisi kedua papan peringkat WorldArena. LJM lebih dulu memodelkan dampak aksi robot di ruang laten, lalu memakai representasi itu untuk mengarahkan generasi video.
Diterbitkan olehDiedit dengan GPT-5.6 TerraGambar dibuat dengan GPT Image 2
Jawaban penelitian
Poin-poin penting
- Menurut laporan publik, model anonim SisyphusWorld milik Muka Robotics mencatat EWMScore P 73,06 dan berada di posisi kedua papan peringkat WorldArena.
- LJM lebih dulu memodelkan dampak aksi robot di ruang laten, lalu memakai representasi itu untuk mengarahkan generasi video.
- Hasil papan peringkat ini menjanjikan, tetapi belum cukup untuk membuktikan kontribusi kausal setiap komponen tanpa laporan teknis dan studi ablasi independen yang lebih lengkap.
AI Perintah
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 menarik perhatian bukan karena telah membuktikan bahwa komputasi kecil selalu mengalahkan pelatihan berskala besar. Yang lebih penting, LJM (Latent Joint-conditional Model) menawarkan cara lain membagi pekerjaan model: memprediksi apa akibat aksi robot di dunia fisik dan merender akibat itu sebagai video dipelajari sebagai tugas yang berbeda, tetapi tetap saling terhubung.
Menurut laporan publik, Muka mengirimkan LJM ke WorldArena dengan nama anonim SisyphusWorld. Model ini memperoleh EWMScore_P 73,06, menempati peringkat kedua di papan peringkat publik, di bawah Xiaomi UNIS yang mencatat 73,64. Rincian metrik yang dilaporkan meliputi 89,17 Motion Quality, 92,60 3D Accuracy, dan 85,93 Controllability; pelatihannya disebut menggunakan 32 GPU Zhenwu 810E.1 Angka-angka ini patut diperhatikan, tetapi bukti yang tersedia saat ini terutama berasal dari laporan platform dan media, bukan reproduksi independen atau studi ablasi lengkap yang terbuka.
Gagasan utamanya: pahami interaksi lebih dulu, baru buat videonya
Pada model difusi video yang dikondisikan oleh aksi, aksi robot umumnya dimasukkan ke jaringan pembuat video sebagai kondisi berdimensi rendah. Metode ini dapat membuat video berubah mengikuti aksi, tetapi model video tetap harus menyimpulkan sendiri arti fisik dari angka-angka aksi itu: apakah lengan menyentuh objek, apakah gripper berhasil menjepit, ke mana objek berpindah, dan apakah relasi ruang tetap konsisten.
LJM berupaya membuat tahap tersebut lebih eksplisit. Instruksi bahasa, riwayat visual, observasi jangkar saat ini, dan aksi masa depan terlebih dahulu diubah menjadi laten interaksi yang dapat dipelajari. Laten ini kemudian membatasi pembangkitan video masa depan.1
Dengan pembagian itu, generator video tidak sendirian memikul tugas memahami aksi, memprediksi interaksi, sekaligus menghasilkan gambar. Ia dapat lebih berfokus pada kontinuitas visual dan detail tampilan, sementara prediksi hubungan robot–objek ditangani oleh lapisan representasi khusus.
Dua pakar dengan tugas berbeda
LJM terdiri dari dua pakar yang bekerja bersama:
- Latent Reasoning Expert: berbasis Qwen3-VL-2B. Komponen ini membaca instruksi, rangkaian visual, observasi jangkar, dan aksi yang direncanakan, lalu menghasilkan reasoning tokens kontinu. “Penalaran” di sini bukan rantai pemikiran dalam bahasa alami, melainkan representasi laten atas keadaan yang akan dicapai robot, perubahan yang mungkin terjadi di adegan, serta gerak yang ditimbulkan aksi.
1
- World Modeling Expert: berbasis Wan2.2-TI2V-5B Diffusion Transformer. Komponen ini menghasilkan video masa depan di ruang laten VAE, dengan menerjemahkan representasi interaksi dari pakar pertama menjadi rangkaian visual yang koheren.
Analogi sederhananya adalah gabungan antara naskah interaksi dan proses rendering visual. Yang pertama menguraikan konsekuensi aksi; yang kedua menampilkannya sebagai masa depan visual yang masuk akal. Pembagian ini memberi penjelasan yang masuk akal mengapa model berpotensi memperoleh kualitas gerak, akurasi spasial, dan keterkendalian yang kuat dengan sumber daya pelatihan terbatas—namun itu masih merupakan hipotesis arsitektural, bukan bukti akhir hubungan sebab-akibat.
Tiga kendala prediksi fisik untuk menambatkan laten pada data
Menambahkan variabel laten saja belum menjamin bahwa model benar-benar merepresentasikan proses fisik. Karena itu, LJM menerapkan tiga jenis kendala prediksi yang terkait dengan data yang dapat diamati:
- Posisi 3D end-effector atau ujung kerja lengan robot, agar representasi berkaitan dengan lintasan spasial lengan;
- Dinamika visual objek di adegan, agar model memperhatikan apakah objek yang dimanipulasi berubah sesuai aksi;
- Arah optical flow, agar model bertanggung jawab terhadap arah pergerakan yang terlihat dalam gambar.
Tujuannya, representasi laten tidak cukup hanya membantu menghasilkan adegan yang tampak masuk akal. Ia juga harus menjelaskan ke mana robot bergerak, objek mana yang berubah, dan ke arah mana gerakan visual berlangsung. Materi publik menggambarkan ini sebagai pengawasan gabungan atas keadaan robot masa depan, optical flow, dan laten visual.1
Kendala tersebut tentu tidak menjamin pemahaman fisik yang ketat dalam semua kasus—misalnya kontak rumit, gesekan, atau oklusi. Namun, ia memberi sinyal pelatihan interaksi yang lebih langsung daripada sekadar rekonstruksi video.
Mengapa shared attention penting
LJM juga menggunakan shared attention dalam bentuk Mixture-of-Transformers. Dengan mekanisme ini, token penalaran dan token video dapat bertukar informasi antarlapis, bukan hanya mengirim satu vektor kondisi tetap ke generator video.1
Desain ini dimaksudkan menciptakan koordinasi dua arah yang berkelanjutan:
- prediksi interaksi memberi batasan spasial dan gerak kepada pembuat video;
- konteks dari representasi video ikut memperbarui representasi interaksi.
Dibandingkan penyuntikan kondisi satu arah, pertukaran bertahap ini secara teori lebih cocok untuk proses panjang dengan keadaan yang berubah. Ketika posisi objek, oklusi, atau kondisi geraknya bergeser selama video dibangkitkan, representasi interaksi tidak harus terpaku pada kondisi awal. Meski demikian, materi yang tersedia belum menyediakan hasil ablasi independen untuk mengukur kontribusi tunggal mekanisme ini.1
Arti sebenarnya dari klaim “32 GPU”
Laporan menyebut LJM dilatih menggunakan 32 GPU Zhenwu 810E, termasuk untuk prapelatihan DROID dan pelatihan lanjutan RoboTwin.1 Hal yang patut dibaca dari klaim ini bukan bahwa model dunia berbasis video otomatis menjadi murah, melainkan bahwa arsitektur tersebut mungkin mengurangi beban generator video untuk menemukan struktur interaksi hanya secara tidak langsung dari piksel.
Dengan kata lain, klaim efisiensinya bertumpu pada bias induktif: sumber daya komputasi diarahkan ke representasi yang memiliki arti interaksi jelas beserta kendala yang dapat diamati, alih-alih sepenuhnya mengandalkan satu model video monolitik untuk sekaligus mempelajari kontrol aksi, struktur ruang, dinamika objek, dan kualitas gambar.
Namun, jumlah GPU tidak dapat dipakai langsung untuk membandingkan total komputasi pelatihan. Lama pelatihan, ukuran data, jumlah parameter, resolusi, efisiensi paralelisasi, serta tahapan pelatihan dapat sangat berbeda antarsistem. Informasi yang tersedia belum cukup untuk menghitung secara ketat seberapa besar penghematan komputasi LJM dibanding model lain.
Siapa pendirinya dan apa yang belum diketahui
Laporan publik menyebut Muka Robotics didirikan pada April 2026 dan berfokus pada model dunia robot untuk lingkungan fisik nyata. Chi Xiaowei, doktor dari Hong Kong University of Science and Technology (HKUST), disebut sebagai pendiri; laporan lain menyebutnya sebagai salah satu pendiri sekaligus CEO. Ia juga dilaporkan tercatat sebagai perwakilan hukum dan pengendali aktual perusahaan.18
38
Namun, materi yang diberikan tidak memuat rincian yang cukup andal dan konsisten untuk memastikan asal institusi atau riwayat seluruh anggota tim. Kesimpulan yang lebih hati-hati adalah bahwa latar belakang doktoral Chi di HKUST didukung oleh laporan publik, sedangkan riwayat lengkap tim tidak semestinya disimpulkan lebih jauh.18
38
Apa yang benar-benar ditunjukkan hasil ini
Performa SisyphusWorld di papan peringkat mendukung arah yang layak diuji lebih lanjut: model dunia robot tidak harus hanya membesarkan generator video demi mengejar realisme. Alternatifnya, konsekuensi interaksi dapat dijadikan sasaran pembelajaran eksplisit dan dipadukan erat dengan pembangkitan video.
Tetapi peringkat papan skor saja belum membuktikan bahwa penalaran fisik eksplisit selalu lebih unggul daripada penskalaan pelatihan, apalagi untuk semua robot, distribusi data, atau penerapan dunia nyata. Untuk menilainya, diperlukan laporan terbuka yang lebih lengkap: ablasi untuk tiap kendala fisik, shared attention, dan pembagian dua pakar, serta evaluasi lintas dataset, lintas bentuk robot, dan kontrol tertutup di lingkungan nyata.
Untuk saat ini, kesimpulan yang paling proporsional adalah: LJM menyajikan hipotesis rekayasa yang kuat—dengan melatih prediksi interaksi dan generasi visual secara terpadu tetapi tidak dicampur menjadi satu tugas, model mungkin dapat memakai komputasi secara lebih terarah sambil meningkatkan konsistensi fisik dan kualitas visual. 1
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "Bagaimana LJM Muka Robotics Menembus Posisi Kedua WorldArena dengan 32 GPU"?
Menurut laporan publik, model anonim SisyphusWorld milik Muka Robotics mencatat EWMScore P 73,06 dan berada di posisi kedua papan peringkat WorldArena.
Apa poin penting yang harus divalidasi terlebih dahulu?
Menurut laporan publik, model anonim SisyphusWorld milik Muka Robotics mencatat EWMScore P 73,06 dan berada di posisi kedua papan peringkat WorldArena. LJM lebih dulu memodelkan dampak aksi robot di ruang laten, lalu memakai representasi itu untuk mengarahkan generasi video.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Hasil papan peringkat ini menjanjikan, tetapi belum cukup untuk membuktikan kontribusi kausal setiap komponen tanpa laporan teknis dan studi ablasi independen yang lebih lengkap.