Muka RoboticsのLJM（Latent Joint-conditional Model）が注目される理由は、「少ない計算資源でも必ず大規模モデルに勝てる」と示した点ではありません。むしろ、ロボットの行動が現実世界に及ぼす結果を予測する処理と、その結果を自然な未来映像として生成する処理を分け、両者を継続的に連携させるという、計算資源の使い方にあります。

公開報道によれば、Mukaは「SisyphusWorld」の匿名名義でLJMをWorldArenaへ提出し、公開ランキングでEWMScore_P 73.06、世界2位を記録しました。首位はXiaomi UNISの73.64です。内訳として、Motion Quality 89.17、3D Accuracy 92.60、Controllability 85.93も報じられており、学習にはZhenwu 810E GPUを32基使用したとされています。1 ただし、これらは現段階では主にプラットフォーム・メディアの報道に基づく情報であり、詳細な独立再現実験やアブレーション研究の代わりになるものではありません。

要点は「まず相互作用を考え、その後で映像化する」こと

一般的な行動条件付き動画拡散モデルでは、ロボットの行動を低次元の条件として動画生成ネットワークに与えます。この方法でも、出力映像を行動に応じて変化させることはできます。しかしモデルは、画素や動画の学習目標から、行動値が意味する物理的な結果を自力で推定しなければなりません。

たとえば、ロボットアームが物体に接触したのか、グリッパーがつかめたのか、物体がどちらへ動くのか、空間的な関係が保たれているのか――こうした要素まで、映像生成器が一括して学ぶ必要があります。

LJMは、この部分を明示化しようとします。言語指示、過去の視覚情報、現在のアンカー観測、将来の行動を、学習可能な「相互作用の潜在表現」へ変換し、それを使って未来映像の生成を制約します。1 つまり動画生成器だけに、行動理解、相互作用予測、映像表現のすべてを担わせない考え方です。

映像生成の重要性を下げるという意味ではありません。LJMの発想は、生成器には視覚的一貫性や細部の表現により集中させ、ロボットと物体の相互作用の予測には専用の表現層を担わせる、という役割分担にあります。

二つの専門家は何を担当するのか

LJMは、協調する二つの専門家から構成されます。

• Latent Reasoning Expert（潜在推論専門家）：Qwen3-VL-2Bを基盤とし、指示文、視覚系列、アンカー観測、計画された行動を読み取り、連続的なreasoning tokensを出力します。ここでいう「推論」は、自然言語の思考過程を出すことではありません。ロボットがどの状態へ進むのか、場面がどう変わるのか、行動がどのような運動を引き起こすのかを、潜在空間で符号化します。1
• World Modeling Expert（世界モデリング専門家）：Wan2.2-TI2V-5B Diffusion Transformerを基盤とし、VAE潜在空間で未来映像を生成します。推論専門家から渡される相互作用表現を、連続性のある視覚的な未来へ変換する役目です。1

イメージとしては、「相互作用の台本」と「映像レンダリング」の組み合わせです。前者が行動の結果を記述し、後者がそれをもっともらしい未来映像として描く。この分業が、限られた学習資源でも運動・空間・制御可能性で強い結果を出せる可能性のある理由です。

ただし、これはアーキテクチャから考えられる合理的な説明であって、個々の設計が順位向上をどこまで因果的にもたらしたかの最終証明ではありません。

潜在表現を現実の相互作用へ近づける3種類の制約

潜在変数を導入するだけでは、それが本当に物理過程を表現する保証にはなりません。LJMでは、潜在推論トークンに対し、観測可能なデータと対応する3種類の予測制約を置いています。1

1. エンドエフェクタの3次元位置：ロボットアーム先端の空間軌跡と表現を対応させる。
2. シーン内物体の視覚的ダイナミクス：操作対象の物体が、行動に整合する形で変化しているかに注意を向けさせる。
3. オプティカルフローの方向：画面内の動きがどの方向に生じているかを扱う。

この設計では、潜在表現は単に「見栄えのよい映像」を作るためだけに働くのではなく、ロボットがどこへ進むか、何が変化するか、画像上の動きがどちらに向かうかを説明することが求められます。報道では、将来のロボット状態、オプティカルフロー、視覚潜在変数にまたがる交互的な監督として説明されています。1

もちろん、こうした制約が、接触・摩擦・遮蔽を含むあらゆる状況で厳密な物理理解を保証するわけではありません。それでも、純粋な動画再構成だけよりは、相互作用に直接結び付いた学習信号を与える設計といえます。

一度きりの条件入力ではなく、共有アテンションで往復させる

LJMはMixture-of-Transformers形式の共有アテンションも採用します。これは、推論トークンと動画トークンが各層で情報を交換する仕組みで、固定的な条件ベクトルを一度だけ動画生成器に渡す方式とは異なります。1

設計上の狙いは、双方向の調整を継続することです。

• 相互作用の予測が、映像生成に空間・運動上の制約を与える。
• 映像トークンが持つ文脈も、相互作用表現の更新に利用される。

物体の位置、遮蔽、動きの状態が生成の途中で変化する長いプロセスでは、このような層ごとの情報交換が重要になり得ます。公開資料はこの機構を説明していますが、その効果だけを定量的に切り分けた独立アブレーション結果は確認できません。1

「GPU 32基」が意味すること、意味しないこと

報道では、LJMはDROIDでの事前学習とRoboTwinでの継続学習に32基のZhenwu 810E GPUを使ったとされています。1 ここで重要なのは、「動画世界モデルが安価になった」という単純な話ではありません。

むしろ、生成器が画素から間接的に相互作用の構造を発見する負担を減らせる可能性があります。計算を、相互作用として意味のある潜在表現と、その表現を現実の観測へ結び付ける制約に振り向ける。これがLJMの効率性に関する主張の中身です。

一方で、GPUの台数だけから総学習計算量を比較することはできません。学習時間、データ規模、パラメータ数、解像度、並列化効率、学習段階がシステムごとに異なるためです。現在公開されている情報だけでは、他モデルより総計算量をどれだけ削減したのかを厳密に算出することはできません。

会社とチームについて、確認できる範囲

公開報道では、Muka Roboticsは2026年4月に設立され、現実の物理世界を対象にしたロボット世界モデルに取り組む企業とされています。香港科技大学の博士である池暁威氏が創業者として挙げられ、法人代表者および実質支配者を務めるとの報道があります。38 別の報道では、池氏は共同創業者兼CEOとされています。18

ただし、チーム全体がどの企業・研究所・大学から来たのかについては、提供された資料から確実かつ一貫して確認できる詳細はありません。池氏の香港科技大学での博士課程の経歴は報道で裏付けられる一方、そこからチーム全体の経歴を推測するのは避けるべきでしょう。1838

この成果が示すのは「有望な仮説」であって、決着ではない

SisyphusWorldのランキング結果は、ロボット世界モデルが映像生成器の規模だけを大きくしなくても、行動が生む相互作用を明示的な学習対象にして、映像生成と密に結び付けることで前進できる可能性を示しています。

ただし、ランキング順位だけで「明示的な物理推論が大規模学習より常に優れる」とは言えません。また、LJMがすべてのロボット、データ分布、実環境の閉ループ制御で有利だと示されたわけでもありません。

検証には、各物理制約、共有アテンション、二専門家の分担を個別に比較するアブレーション、異なるデータセット・ロボット本体での評価、そして実機での閉ループ制御試験を含む、より詳細な技術報告が必要です。

現時点で最も妥当な結論はこうです。相互作用の予測と視覚生成を、混同せず、しかし分離もしすぎずに共同学習させることで、計算資源をより焦点の合った形で使い、物理的一貫性と映像品質を同時に改善できるかもしれない。 LJMは、その工学的仮説を示した事例として注目に値します。1

Muka RoboticsのLJM（Latent Joint-conditional Model）が注目される理由は、「少ない計算資源でも必ず大規模モデルに勝てる」と示した点ではありません。むしろ、ロボットの行動が現実世界に及ぼす結果を予測する処理と、その結果を自然な未来映像として生成する処理を分け、両者を継続的に連携させるという、計算資源の使い方にあります。

公開報道によれば、Mukaは「SisyphusWorld」の匿名名義でLJMをWorldArenaへ提出し、公開ランキングでEWMScore_P 73.06、世界2位を記録しました。首位はXiaomi UNISの73.64です。内訳として、Motion Quality 89.17、3D Accuracy 92.60、Controllability 85.93も報じられており、学習にはZhenwu 810E GPUを32基使用したとされています。1 ただし、これらは現段階では主にプラットフォーム・メディアの報道に基づく情報であり、詳細な独立再現実験やアブレーション研究の代わりになるものではありません。

要点は「まず相互作用を考え、その後で映像化する」こと

一般的な行動条件付き動画拡散モデルでは、ロボットの行動を低次元の条件として動画生成ネットワークに与えます。この方法でも、出力映像を行動に応じて変化させることはできます。しかしモデルは、画素や動画の学習目標から、行動値が意味する物理的な結果を自力で推定しなければなりません。

たとえば、ロボットアームが物体に接触したのか、グリッパーがつかめたのか、物体がどちらへ動くのか、空間的な関係が保たれているのか――こうした要素まで、映像生成器が一括して学ぶ必要があります。

LJMは、この部分を明示化しようとします。言語指示、過去の視覚情報、現在のアンカー観測、将来の行動を、学習可能な「相互作用の潜在表現」へ変換し、それを使って未来映像の生成を制約します。1 つまり動画生成器だけに、行動理解、相互作用予測、映像表現のすべてを担わせない考え方です。

映像生成の重要性を下げるという意味ではありません。LJMの発想は、生成器には視覚的一貫性や細部の表現により集中させ、ロボットと物体の相互作用の予測には専用の表現層を担わせる、という役割分担にあります。

二つの専門家は何を担当するのか

LJMは、協調する二つの専門家から構成されます。

• Latent Reasoning Expert（潜在推論専門家）：Qwen3-VL-2Bを基盤とし、指示文、視覚系列、アンカー観測、計画された行動を読み取り、連続的なreasoning tokensを出力します。ここでいう「推論」は、自然言語の思考過程を出すことではありません。ロボットがどの状態へ進むのか、場面がどう変わるのか、行動がどのような運動を引き起こすのかを、潜在空間で符号化します。1
• World Modeling Expert（世界モデリング専門家）：Wan2.2-TI2V-5B Diffusion Transformerを基盤とし、VAE潜在空間で未来映像を生成します。推論専門家から渡される相互作用表現を、連続性のある視覚的な未来へ変換する役目です。1

イメージとしては、「相互作用の台本」と「映像レンダリング」の組み合わせです。前者が行動の結果を記述し、後者がそれをもっともらしい未来映像として描く。この分業が、限られた学習資源でも運動・空間・制御可能性で強い結果を出せる可能性のある理由です。

ただし、これはアーキテクチャから考えられる合理的な説明であって、個々の設計が順位向上をどこまで因果的にもたらしたかの最終証明ではありません。

潜在表現を現実の相互作用へ近づける3種類の制約

潜在変数を導入するだけでは、それが本当に物理過程を表現する保証にはなりません。LJMでは、潜在推論トークンに対し、観測可能なデータと対応する3種類の予測制約を置いています。1

1. エンドエフェクタの3次元位置：ロボットアーム先端の空間軌跡と表現を対応させる。
2. シーン内物体の視覚的ダイナミクス：操作対象の物体が、行動に整合する形で変化しているかに注意を向けさせる。
3. オプティカルフローの方向：画面内の動きがどの方向に生じているかを扱う。

この設計では、潜在表現は単に「見栄えのよい映像」を作るためだけに働くのではなく、ロボットがどこへ進むか、何が変化するか、画像上の動きがどちらに向かうかを説明することが求められます。報道では、将来のロボット状態、オプティカルフロー、視覚潜在変数にまたがる交互的な監督として説明されています。1

もちろん、こうした制約が、接触・摩擦・遮蔽を含むあらゆる状況で厳密な物理理解を保証するわけではありません。それでも、純粋な動画再構成だけよりは、相互作用に直接結び付いた学習信号を与える設計といえます。

一度きりの条件入力ではなく、共有アテンションで往復させる

LJMはMixture-of-Transformers形式の共有アテンションも採用します。これは、推論トークンと動画トークンが各層で情報を交換する仕組みで、固定的な条件ベクトルを一度だけ動画生成器に渡す方式とは異なります。1

設計上の狙いは、双方向の調整を継続することです。

• 相互作用の予測が、映像生成に空間・運動上の制約を与える。
• 映像トークンが持つ文脈も、相互作用表現の更新に利用される。

物体の位置、遮蔽、動きの状態が生成の途中で変化する長いプロセスでは、このような層ごとの情報交換が重要になり得ます。公開資料はこの機構を説明していますが、その効果だけを定量的に切り分けた独立アブレーション結果は確認できません。1

「GPU 32基」が意味すること、意味しないこと

報道では、LJMはDROIDでの事前学習とRoboTwinでの継続学習に32基のZhenwu 810E GPUを使ったとされています。1 ここで重要なのは、「動画世界モデルが安価になった」という単純な話ではありません。

むしろ、生成器が画素から間接的に相互作用の構造を発見する負担を減らせる可能性があります。計算を、相互作用として意味のある潜在表現と、その表現を現実の観測へ結び付ける制約に振り向ける。これがLJMの効率性に関する主張の中身です。

一方で、GPUの台数だけから総学習計算量を比較することはできません。学習時間、データ規模、パラメータ数、解像度、並列化効率、学習段階がシステムごとに異なるためです。現在公開されている情報だけでは、他モデルより総計算量をどれだけ削減したのかを厳密に算出することはできません。

会社とチームについて、確認できる範囲

公開報道では、Muka Roboticsは2026年4月に設立され、現実の物理世界を対象にしたロボット世界モデルに取り組む企業とされています。香港科技大学の博士である池暁威氏が創業者として挙げられ、法人代表者および実質支配者を務めるとの報道があります。38 別の報道では、池氏は共同創業者兼CEOとされています。18

ただし、チーム全体がどの企業・研究所・大学から来たのかについては、提供された資料から確実かつ一貫して確認できる詳細はありません。池氏の香港科技大学での博士課程の経歴は報道で裏付けられる一方、そこからチーム全体の経歴を推測するのは避けるべきでしょう。1838

この成果が示すのは「有望な仮説」であって、決着ではない

SisyphusWorldのランキング結果は、ロボット世界モデルが映像生成器の規模だけを大きくしなくても、行動が生む相互作用を明示的な学習対象にして、映像生成と密に結び付けることで前進できる可能性を示しています。

ただし、ランキング順位だけで「明示的な物理推論が大規模学習より常に優れる」とは言えません。また、LJMがすべてのロボット、データ分布、実環境の閉ループ制御で有利だと示されたわけでもありません。

検証には、各物理制約、共有アテンション、二専門家の分担を個別に比較するアブレーション、異なるデータセット・ロボット本体での評価、そして実機での閉ループ制御試験を含む、より詳細な技術報告が必要です。

現時点で最も妥当な結論はこうです。相互作用の予測と視覚生成を、混同せず、しかし分離もしすぎずに共同学習させることで、計算資源をより焦点の合った形で使い、物理的一貫性と映像品質を同時に改善できるかもしれない。 LJMは、その工学的仮説を示した事例として注目に値します。1