ОтветыОпубликовано13 источники
Почему LJM от Muka Robotics заняла второе место в WorldArena с 32 GPU
По данным публичных сообщений, анонимная заявка Muka Robotics под названием SisyphusWorld получила 73,06 балла EWMScore P и заняла второе место в открытом рейтинге WorldArena. Идея LJM — сначала представить в латентном пространстве последствия действия робота для сцены, а затем генерировать будущее видео.
ОпубликовалОтредактировано с помощью GPT-5.6 TerraИзображения созданы с помощью GPT Image 2
Ответ на исследование
Ключевые выводы
- По данным публичных сообщений, анонимная заявка Muka Robotics под названием SisyphusWorld получила 73,06 балла EWMScore P и заняла второе место в открытом рейтинге WorldArena.
- Идея LJM — сначала представить в латентном пространстве последствия действия робота для сцены, а затем генерировать будущее видео.
Промпт ИИ
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
В истории LJM (Latent Joint-conditional Model) от Muka Robotics важнее не сам тезис о «32 GPU», а способ распределить вычисления. Вместо того чтобы заставлять одну видеомодель одновременно разбираться в действиях робота, контактах с предметами и правдоподобной картинке, разработчики разделили эти задачи — и затем связали их в одном контуре.
Согласно публичным публикациям, Muka представила LJM в WorldArena анонимно, под именем SisyphusWorld. Модель получила 73,06 EWMScore_P и заняла второе место в открытой таблице, уступив Xiaomi UNIS с результатом 73,64. Также приводятся показатели 89,17 Motion Quality, 92,60 3D Accuracy и 85,93 Controllability; обучение, как сообщается, велось на 32 GPU Zhenwu 810E.1 Это заметный результат, но доступные свидетельства опираются главным образом на материалы платформы и медийные публикации, а не на полное независимое воспроизведение или опубликованное исследование с исчерпывающими абляциями.
Сначала последствия действия, затем изображение
В типичных диффузионных моделях видео с управлением действиями робота само действие выступает низкоразмерным условием для генератора. Выход может меняться вместе с действием, но модели всё равно приходится выводить его физический смысл из видеоданных или пиксельной функции потерь: коснулся ли манипулятор объекта, захватил ли его, куда сдвинется предмет и сохранится ли пространственная согласованность сцены.
LJM пытается сделать этот шаг явным. Языковая команда, визуальная история, текущее опорное наблюдение и будущие действия сначала преобразуются в обучаемое латентное представление взаимодействия. Оно уже ограничивает генерацию будущего видео.1
Иными словами, генератору не нужно в одиночку решать сразу три задачи: интерпретировать действие, прогнозировать физическое взаимодействие и рисовать последовательность кадров. Он может сильнее сосредоточиться на визуальной согласованности и деталях, тогда как специальный слой представлений моделирует связь между роботом и объектами.
Два эксперта: «сценарист» взаимодействия и «рендерер» видео
Архитектура LJM объединяет двух совместно работающих экспертов.
- Latent Reasoning Expert, или эксперт латентного рассуждения. Он построен на Qwen3-VL-2B, получает инструкцию, визуальную последовательность, опорное наблюдение и запланированные действия. На выходе формируются непрерывные reasoning tokens. Это не текстовая цепочка рассуждений: токены в латентном пространстве кодируют предполагаемое состояние робота, возможные изменения сцены и движение, вызванное действием.
1
- World Modeling Expert, или эксперт мирового моделирования. Он основан на диффузионном трансформере Wan2.2-TI2V-5B и генерирует будущее видео в латентном пространстве VAE, превращая представление взаимодействия в связную последовательность изображений.
Упрощённо такую схему можно сравнить с парой «сценарий — визуальная постановка»: первый модуль определяет, что должно произойти после действия, второй показывает это как правдоподобное видео. Такое разделение обязанностей объясняет, почему подход может обеспечить сильные показатели движения, пространственной точности и управляемости при ограниченных ресурсах. Но это архитектурно правдоподобное объяснение, а не окончательное доказательство причинного эффекта.
Три физических ограничения для латентных токенов
Само по себе латентное представление ещё не означает, что модель действительно описывает физику. Поэтому LJM накладывает на токены латентного рассуждения три вида предсказательных ограничений, привязанных к наблюдаемым данным:
- Трёхмерное положение конечного эффектора — рабочего органа робота, например захвата; это связывает представление с пространственной траекторией манипулятора.
- Визуальная динамика объектов сцены — модель должна учитывать, изменился ли объект в соответствии с действием робота.
- Направление оптического потока — модель отвечает за направление движения, наблюдаемого в изображении.
Смысл этих целей в том, что скрытое представление не может служить только созданию кадров, которые выглядят убедительно. Оно должно объяснять, куда движется робот, какие предметы меняют состояние и в каком направлении происходит движение на изображении. В публичном описании это названо совместным ограничением будущего состояния робота, оптического потока и визуальных латентов.1
Такая схема не гарантирует строгого физического понимания во всех случаях — например, при сложном контакте, трении или перекрытиях объектов. Но она даёт обучению более прямой сигнал о взаимодействиях, чем одно лишь восстановление видео.
Зачем нужна shared attention
В LJM используется shared attention — совместное внимание — в форме Mixture-of-Transformers. Токены рассуждения и видеотокены обмениваются информацией между слоями, вместо того чтобы один раз передать в генератор неизменный вектор условий.1
Замысел состоит в постоянной двусторонней координации:
- прогноз взаимодействия задаёт пространственные и динамические ограничения для генерации видео;
- контекст, возникающий в видеопредставлениях, может уточнять представление взаимодействия.
По сравнению с однонаправленной подачей фиксированного условия это потенциально лучше подходит для длинных процессов: положение объекта, перекрытия и состояние движения могут меняться по мере формирования видеопоследовательности. Публичные материалы описывают этот механизм, но не содержат независимых абляционных результатов, которые позволили бы отдельно измерить его вклад.1
Что на самом деле означает «всего 32 GPU»
В публикациях говорится, что LJM обучалась на 32 GPU Zhenwu 810E, включая предобучение на DROID и дальнейшее обучение на RoboTwin.1 Однако из этого не следует, что создание видео-мировых моделей стало дешёвым само по себе.
Скорее, заявленная эффективность может быть следствием индуктивного смещения архитектуры: вычисления направляются на представление с явным смыслом взаимодействия и на наблюдаемые физические ограничения. Тем самым генератору приходится в меньшей степени извлекать структуру взаимодействий косвенно — только из пикселей.
При этом число GPU нельзя напрямую приравнивать к общему объёму вычислений. Для корректного сравнения необходимы сведения о продолжительности обучения, размере датасетов, числе параметров, разрешении видео, эффективности параллелизма и отдельных этапах тренировки. По доступной информации нельзя строго подсчитать, сколько совокупных вычислительных ресурсов LJM сэкономила относительно других систем.
Что известно о компании и команде
Согласно публикациям, Muka Robotics была создана в апреле 2026 года и занимается мировыми моделями для робототехники в реальном физическом мире. Основателем называют доктора Гонконгского университета науки и технологий Чи Сяовэя; в другом сообщении он указан как сооснователь и CEO. Также сообщалось, что он является законным представителем и фактическим контролирующим лицом компании.18
38
Подробных, надёжных и согласованных данных о происхождении всей команды — предыдущих компаниях, лабораториях или институтах её участников — в предоставленных материалах нет. Поэтому подтверждённым можно считать публично упоминаемый академический бэкграунд Чи Сяовэя, но не более широкие выводы о составе команды.18
38
Что показывает результат — и чего он пока не доказывает
Выступление SisyphusWorld в рейтинге поддерживает интересную гипотезу: робототехнической мировой модели не обязательно добиваться реалистичности, только наращивая масштаб видеогенератора. Другой путь — сделать последствия взаимодействия явным объектом обучения и тесно связать их с генерацией видео.
Но место в рейтинге само по себе не доказывает, что явное физическое рассуждение уже в целом лучше масштабирования обучения. Оно также не означает, что LJM будет превосходить альтернативы на любых роботах, датасетах и в реальном замкнутом контуре управления.
Для проверки потребуются более полные публичные технические отчёты: абляции трёх физических ограничений, shared attention и разделения на двух экспертов, а также тесты на разных наборах данных, разных роботах и в реальных задачах управления. На данный момент наиболее осторожный вывод таков: LJM предлагает убедительную инженерную гипотезу — совместно, но не слитно обучать прогноз взаимодействий и генерацию изображения, чтобы при более целевом расходовании вычислений улучшать физическую согласованность без отказа от визуального качества. 1
Studio Global AI
Продолжайте свое исследование
На этой странице есть ответ, подтвержденный источником, который вы можете продолжить внутри Studio Global.
Люди также спрашивают
Каков краткий ответ на вопрос «Почему LJM от Muka Robotics заняла второе место в WorldArena с 32 GPU»?
По данным публичных сообщений, анонимная заявка Muka Robotics под названием SisyphusWorld получила 73,06 балла EWMScore P и заняла второе место в открытом рейтинге WorldArena.
Какие ключевые моменты необходимо проверить в первую очередь?
По данным публичных сообщений, анонимная заявка Muka Robotics под названием SisyphusWorld получила 73,06 балла EWMScore P и заняла второе место в открытом рейтинге WorldArena. Идея LJM — сначала представить в латентном пространстве последствия действия робота для сцены, а затем генерировать будущее видео.