RespostasPublicado13 fontes
Como o LJM da Muka Robotics chegou ao 2º lugar no WorldArena com 32 GPUs
Segundo relatos públicos, o modelo SisyphusWorld, da Muka Robotics, obteve EWMScore P de 73,06 e ficou em segundo no ranking público do WorldArena. O LJM tenta prever primeiro, em um espaço latente, as consequências da interação entre robô e ambiente; depois, um modelo de vídeo transforma essa previsão em cenas futu...
Publicado porEditado com GPT-5.6 TerraImagens geradas com GPT Image 2
Resposta de pesquisa
Principais conclusões
- Segundo relatos públicos, o modelo SisyphusWorld, da Muka Robotics, obteve EWMScore P de 73,06 e ficou em segundo no ranking público do WorldArena.
- O LJM tenta prever primeiro, em um espaço latente, as consequências da interação entre robô e ambiente; depois, um modelo de vídeo transforma essa previsão em cenas futuras.
Prompt de IA
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
O resultado da Muka Robotics chama atenção menos por sugerir que poucas GPUs sempre vencem grandes treinos e mais pela forma como o LJM (Latent Joint-conditional Model) distribui o trabalho computacional. Em vez de pedir a um único gerador de vídeo que descubra, a partir de pixels, o que uma ação do robô significa no mundo físico, o sistema separa duas tarefas: prever as consequências da interação e renderizar essas consequências como vídeo.
Segundo reportagens, a empresa submeteu o modelo sob o codinome SisyphusWorld ao WorldArena. Ele teria alcançado 73,06 no EWMScore_P, ficando em segundo no placar público, atrás do UNIS, da Xiaomi, com 73,64. Os números divulgados incluem 89,17 em qualidade de movimento, 92,60 em precisão 3D e 85,93 em controlabilidade; o treinamento teria empregado 32 GPUs Zhenwu 810E.1 São resultados relevantes, mas a evidência disponível vem principalmente de relatos de plataforma e imprensa — não de uma reprodução independente abrangente ou de um estudo público completo de ablações.
A ideia central: modelar a interação antes de gerar a imagem
Modelos convencionais de difusão para vídeo condicionado por ações geralmente recebem os comandos do robô como um sinal numérico adicional. Isso pode fazer o vídeo reagir ao comando, mas ainda deixa para o gerador a difícil tarefa de inferir o significado físico daqueles números: se o braço tocou um objeto, se a garra conseguiu segurá-lo, para onde ele vai se mover e se as relações espaciais se mantêm coerentes.
O LJM busca tornar essa etapa explícita. Ele converte instruções em linguagem, histórico visual, observação atual de referência e ações futuras em uma representação de interação aprendida — os chamados tokens latentes de raciocínio — que passa a orientar a geração do vídeo futuro.1
Na prática, o vídeo deixa de carregar sozinho toda a responsabilidade de entender ações, antecipar interações e produzir imagens convincentes. A proposta é que o gerador possa se concentrar mais em coerência visual e detalhes, enquanto uma camada especializada prevê a dinâmica entre robô e objetos.
Dois especialistas com funções diferentes
A arquitetura do LJM reúne dois componentes que trabalham em conjunto:
- Especialista de raciocínio latente (Latent Reasoning Expert): baseado no Qwen3-VL-2B, recebe a instrução, a sequência visual, a observação de referência e as ações planejadas. Ele produz tokens contínuos que representam estados esperados do robô, mudanças prováveis na cena e movimentos provocados pelas ações. Não se trata de uma cadeia de pensamento em linguagem natural, mas de uma previsão em espaço latente.
1
- Especialista de modelagem de mundo (World Modeling Expert): baseado no Diffusion Transformer Wan2.2-TI2V-5B, gera o vídeo futuro no espaço latente de uma VAE, traduzindo a representação de interação em uma sequência visual coerente.
Uma analogia útil é pensar em um roteiro de interação e sua filmagem. O primeiro componente estima o que deve acontecer; o segundo apresenta esse resultado como vídeo. Essa divisão ajuda a explicar por que a arquitetura pode alcançar bons indicadores de movimento, geometria e controle com recursos de treino mais concentrados. Ainda assim, essa é uma explicação arquitetural plausível, não uma prova causal definitiva.
Três restrições físicas para ancorar os tokens em dados observáveis
Criar uma variável latente não basta para assegurar que ela represente física de verdade. Por isso, o LJM aplica três tipos de restrição preditiva aos tokens de raciocínio:
- Posição 3D do efetuador final — por exemplo, a ponta do braço ou a garra — para relacionar a representação à trajetória espacial do robô;
- Dinâmica visual dos objetos da cena, para capturar se o objeto manipulado muda de modo compatível com a ação;
- Direção do fluxo óptico, isto é, a direção do movimento aparente entre os quadros do vídeo.
Essas metas dão à representação latente uma obrigação adicional: ela não pode apenas ajudar a produzir imagens que parecem plausíveis. Também precisa explicar para onde o robô vai, quais objetos se alteram e em que direção a movimentação da cena ocorre. O material divulgado descreve isso como supervisão conjunta sobre estados futuros do robô, fluxo óptico e variáveis latentes visuais.1
Isso não garante compreensão física rigorosa em toda situação de contato, atrito, oclusão ou falha de preensão. Mas fornece sinais de treinamento mais diretos sobre interação do que a simples reconstrução de vídeo.
Por que a atenção compartilhada é importante
O LJM também usa atenção compartilhada em uma estrutura de Mixture-of-Transformers. Com isso, os tokens de raciocínio e os tokens de vídeo trocam informação ao longo das camadas do modelo, em vez de um vetor de condição fixo ser enviado uma única vez ao gerador.1
A intenção é manter uma coordenação contínua em dois sentidos:
- a previsão da interação fornece restrições espaciais e de movimento para a síntese do vídeo;
- o contexto visual dos tokens de vídeo pode contribuir para atualizar a representação da interação.
Em comparação com uma injeção de condição estática e unidirecional, essa troca camada a camada é mais adequada, em tese, para processos longos em que posição, oclusão e movimento dos objetos evoluem durante a geração. O material público descreve o mecanismo, mas não apresenta uma ablação independente capaz de medir isoladamente o impacto dele.1
O que “32 GPUs” realmente significa — e o que não significa
As reportagens dizem que o treinamento do LJM utilizou 32 GPUs Zhenwu 810E, incluindo pré-treinamento no DROID e continuidade de treinamento no RoboTwin.1 A leitura mais prudente não é que modelos de mundo em vídeo ficaram baratos, mas que a arquitetura pode reduzir a carga sobre o gerador visual: em vez de obrigá-lo a descobrir indiretamente a estrutura de interação a partir dos pixels, parte desse esforço é direcionada a uma representação com significado físico explícito.
Esse é o argumento de eficiência por trás do LJM: usar computação em um viés indutivo mais específico — uma representação de interação e restrições observáveis — em vez de depender exclusivamente de um grande modelo de vídeo monolítico para aprender, ao mesmo tempo, controle por ação, estrutura espacial, dinâmica de objetos e aparência.
Mas o número de GPUs, sozinho, não permite comparar o custo total de treinamento entre sistemas. Duração do treino, volume e qualidade dos dados, tamanho dos modelos, resolução, eficiência de paralelização e número de etapas podem variar muito. Portanto, os dados disponíveis não bastam para calcular quanto poder computacional o LJM efetivamente economizou em relação a concorrentes.
Quem está por trás da Muka Robotics
Segundo reportagens, a Muka Robotics foi fundada em abril de 2026 e atua em modelos de mundo voltados ao ambiente físico real. As fontes citam Chi Xiaowei, doutor pela Universidade de Ciência e Tecnologia de Hong Kong, como fundador; uma delas informa que ele é o representante legal e controlador efetivo da empresa, enquanto outra o descreve como cofundador e CEO.18
38
Já a origem completa da equipe — incluindo vínculos anteriores com empresas, laboratórios ou instituições — não está detalhada de forma suficiente e consistente nas fontes fornecidas. O ponto sustentado pelos relatos é a formação de Chi Xiaowei na universidade de Hong Kong; não é seguro extrapolar isso para uma trajetória completa de toda a equipe.18
38
O que o resultado indica, por enquanto
O desempenho de SisyphusWorld no ranking apoia uma hipótese que merece ser testada: modelos de mundo para robôs não precisam depender apenas de ampliar geradores de vídeo para buscar realismo. Eles também podem tratar as consequências de interações como um objeto explícito de aprendizado e acoplá-las de perto à geração visual.
Isso não demonstra que o raciocínio físico explícito já seja, em geral, superior a treinos em escala, nem prova que o LJM vencerá em todos os robôs, conjuntos de dados ou aplicações no mundo real. Para avaliar essa tese, ainda seriam necessários relatórios técnicos mais completos, com ablações dos três sinais físicos, da atenção compartilhada e da divisão entre os dois especialistas — além de testes entre diferentes bases de dados, corpos robóticos e cenários de controle fechado.
Por enquanto, a conclusão mais equilibrada é que o LJM apresenta uma hipótese de engenharia convincente: treinar em conjunto, mas sem misturar completamente, a previsão de interações e a geração visual pode concentrar melhor o uso de computação e melhorar, ao mesmo tempo, a consistência física e a qualidade do vídeo. 1
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
As pessoas também perguntam
Qual é a resposta curta para "Como o LJM da Muka Robotics chegou ao 2º lugar no WorldArena com 32 GPUs"?
Segundo relatos públicos, o modelo SisyphusWorld, da Muka Robotics, obteve EWMScore P de 73,06 e ficou em segundo no ranking público do WorldArena.
Quais são os pontos-chave para validar primeiro?
Segundo relatos públicos, o modelo SisyphusWorld, da Muka Robotics, obteve EWMScore P de 73,06 e ficou em segundo no ranking público do WorldArena. O LJM tenta prever primeiro, em um espaço latente, as consequências da interação entre robô e ambiente; depois, um modelo de vídeo transforma essa previsão em cenas futuras.