Slik nådde Muka Robotics andreplass i WorldArena med 32 GPU-er

Muka Robotics’ LJM (Latent Joint-conditional Model) vekker oppsikt ikke fordi den beviser at liten regnekraft alltid slår stor trening, men fordi den fordeler arbeidet på en annen måte: Modellen prøver å lære hva en handling vil føre til i den fysiske verden, separat fra oppgaven med å gjengi utfallet som en sammenhengende video.

Ifølge offentlig omtale leverte Muka modellen under det anonyme navnet SisyphusWorld. Den fikk EWMScore_P på 73,06 og andreplass på WorldArena-listen, bak Xiaomi UNIS med 73,64. De oppgitte delresultatene var blant annet 89,17 i Motion Quality, 92,60 i 3D Accuracy og 85,93 i Controllability. Treningen skal ha benyttet 32 Zhenwu 810E-GPU-er.1 Resultatene er interessante, men den synlige dokumentasjonen kommer i hovedsak fra plattform- og medieomtale, ikke fra en komplett, uavhengig replikasjon eller ablasjonsstudie.

Hovedideen: Modellér samspillet før videoen

I vanlige handlingsbetingede videodiffusjonsmodeller mates robotens handlinger ofte inn som lavdimensjonale betingelser til et nettverk som lager video. Det kan gjøre at videoutgangen følger handlingene, men modellen må fortsatt i stor grad lære ut fra video- eller pikselmål hva tallene i handlingen betyr: om en robotarm berører en gjenstand, om griperen faktisk får tak, hvor objektet vil flytte seg, og om romlige forhold holder seg konsistente.

LJM forsøker å gjøre denne mellomregningen eksplisitt. Språkinstruksjon, visuell historikk, en aktuell ankerobservasjon og framtidige handlinger omformes først til lærbare interaksjonslatenter. Disse brukes deretter til å styre genereringen av framtidig video.1

Det betyr ikke at videogenerering blir mindre viktig. Tanken er snarere at videogeneratoren kan bruke mer av kapasiteten på visuell sammenheng og detaljer, mens et eget representasjonslag predikerer samspillet mellom robot og omgivelser.

To eksperter med hvert sitt ansvar

LJM består av to samarbeidende eksperter:

• Latent Reasoning Expert: Bygger på Qwen3-VL-2B og leser instruksjoner, visuelle sekvenser, ankerobservasjoner og planlagte handlinger. Den produserer kontinuerlige reasoning tokens. «Resonneringen» er ikke en synlig tankerekke i naturlig språk, men en latent koding av robotens framtidige tilstand, forventede endringer i scenen og bevegelsene som handlingene skaper.1
• World Modeling Expert: Bygger på Wan2.2-TI2V-5B Diffusion Transformer og genererer framtidig video i VAE-latentrommet. Den oversetter interaksjonsrepresentasjonen fra den første eksperten til en sammenhengende visuell sekvens.1

En enkel analogi er et samspill mellom manus og rendering: Den første delen beskriver følgene av handlingen, mens den andre gjengir følgene som et troverdig visuelt framtidsbilde. Dette gir en plausibel arkitekturforklaring på sterke resultater innen bevegelse, romforståelse og styrbarhet med begrensede treningsressurser. Det er likevel ikke det samme som et endelig kausalt bevis.

Tre fysiske prediksjonsmål forankrer latentene

Et latent rom alene sikrer ikke at modellen faktisk representerer fysikk. LJM legger derfor tre typer prediksjonskrav på resonneringstokenene, knyttet til observerbare data:

1. 3D-posisjonen til robotens endeeffektor – slik at representasjonen følger robotarmens romlige bane.
2. Visuell dynamikk for objekter i scenen – slik at modellen må fange opp om objekter endrer seg på en måte som passer handlingen.
3. Retningen på optisk flyt – slik at modellen holdes ansvarlig for hvilken vei bevegelse i bildet går.1

Poenget er at den latente representasjonen ikke bare skal bidra til bilder som ser rimelige ut. Den skal også forklare hvor roboten beveger seg, hvilke objekter som endrer seg, og i hvilken retning bildebevegelsen skjer. Offentlig omtale beskriver dette som en kombinert begrensning gjennom framtidig tilstand, optisk flyt og visuelle latenter.1

Slike mål garanterer ikke streng fysisk forståelse i alle situasjoner med kontakt, friksjon eller skjuling. Men de gir treningen mer direkte signaler om samhandling enn ren videorekonstruksjon.

Hvorfor delt oppmerksomhet kan være viktig

LJM benytter også delt oppmerksomhet (shared attention) i en Mixture-of-Transformers-arkitektur. Dermed kan resonneringstokener og videotokener utveksle informasjon lag for lag, i stedet for at et fast betingelsesvektor sendes én gang til videogeneratoren.1

Hensikten er en løpende toveis koordinering:

• Interaksjonsprediksjonen tilfører romlige og bevegelsesmessige rammer for videogenereringen.
• Videorepresentasjonens kontekst kan på sin side brukes til å oppdatere interaksjonsrepresentasjonen.

Sammenlignet med ensidig og statisk betinging kan dette i teorien være bedre egnet for lengre forløp, der objektposisjoner, tildekking eller bevegelsestilstand endrer seg underveis. Offentlig materiale beskriver mekanismen, men gir ikke uavhengige ablasjonsresultater som kvantifiserer dens isolerte bidrag.1

Hva «32 GPU-er» betyr – og ikke betyr

Omtalen oppgir at LJM ble trent med 32 Zhenwu 810E-GPU-er, brukt i DROID-fortrening og videre trening på RoboTwin.1 Den mest interessante tolkningen er ikke at videobaserte verdensmodeller plutselig er billige, men at arkitekturen kan redusere behovet for at videogeneratoren alene må oppdage interaksjonsstrukturen indirekte fra piksler.

Effektivitetspåstanden handler dermed om induktiv skjevhet: Regnekraften rettes mot latente representasjoner med tydelig interaksjonsbetydning og mot observerbare fysiske begrensninger, i stedet for å overlate alt til én videomodell som samtidig skal lære kontroll, romstruktur, objektdynamikk og bildekvalitet.

Antall GPU-er er imidlertid ikke nok til å sammenligne samlet treningsregning. Treningstid, datamengde, modellstørrelse, oppløsning, parallellisering og antall treningsfaser kan variere kraftig. Tilgjengelig informasjon er derfor ikke tilstrekkelig til å beregne nøyaktig hvor mye total regnekraft LJM eventuelt sparer sammenlignet med andre systemer.

Selskap og team: Hva som er kjent

Offentlig omtale oppgir at Muka Robotics ble etablert i april 2026 og arbeider med robotiske verdensmodeller for den fysiske verden. Chi Xiaowei, omtalt som doktor fra Hongkong University of Science and Technology, er angitt som grunnlegger, juridisk representant og faktisk kontrollerende eier.38 En annen omtale beskriver ham som medgründer og administrerende direktør.18

Det foreligger derimot ikke tilstrekkelig pålitelig og samstemt informasjon i materialet om hele teamets tidligere selskaper, laboratorier eller institusjoner. Det forsvarlige er derfor å holde seg til den offentlig omtalte doktorgradsbakgrunnen til Chi Xiaowei, uten å trekke videre slutninger om resten av teamet.1838

Hva andreplassen faktisk forteller oss

SisyphusWorlds plassering på listen støtter en retning som er verdt å teste videre: Robotiske verdensmodeller trenger ikke utelukkende å bli større videogeneratorer for å bli mer realistiske. De kan også lære konsekvensene av samhandling eksplisitt og koble dette tett til videogenerering.

Men en listeplassering beviser ikke alene at eksplisitt fysisk resonnering generelt er bedre enn skalering, og den beviser heller ikke at LJM vil vinne i alle roboter, datasett eller virkelige kontrollsløyfer. Det kreves mer åpen teknisk dokumentasjon, blant annet ablasjoner av de fysiske tilsynssignalene, delt oppmerksomhet og todelingen mellom ekspertene – samt evalueringer på tvers av datasett, robotkropper og reell lukket-sløyfe-kontroll.

Den mest nøkterne konklusjonen foreløpig er at LJM presenterer en overbevisende ingeniørhypotese: Ved å trene interaksjonsprediksjon og visuell generering sammen, men uten å blande dem helt sammen, kan en modell kanskje bruke beregningsressursene mer målrettet og samtidig forbedre både fysisk konsistens og visuell kvalitet. 1