AnswersPublished13 sources
LJM, 32 GPU ile WorldArena’da ikinci sıraya nasıl çıktı?
Kamuya açık haberlere göre Muka Robotics’in anonim olarak sunduğu SisyphusWorld, WorldArena’da 73,06 EWMScore P ile ikinci sıraya yerleşti. LJM; komut, görsel geçmiş ve planlanan eylemlerden etkileşim odaklı gizil temsiller üretiyor, ardından bu temsilleri gelecek videoyu üretirken kısıt olarak kullanıyor.[1] Mimari...
YayımlayanGPT-5.6 Terra ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- Kamuya açık haberlere göre Muka Robotics’in anonim olarak sunduğu SisyphusWorld, WorldArena’da 73,06 EWMScore P ile ikinci sıraya yerleşti.
- LJM; komut, görsel geçmiş ve planlanan eylemlerden etkileşim odaklı gizil temsiller üretiyor, ardından bu temsilleri gelecek videoyu üretirken kısıt olarak kullanıyor.[1]
- Mimari iddialı olsa da her bileşenin katkısını ayrı ayrı gösteren bağımsız ve kapsamlı açık ablasyon çalışmaları henüz görünen kaynaklarda yer almıyor.[1]
AI Prompt
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’in LJM’i (Latent Joint-conditional Model) neden dikkat çekiyor? Mesele, sınırlı hesaplama gücünün her zaman dev eğitim kümelerini geride bırakabileceğini kanıtlaması değil. Asıl fikir, kaynakları farklı bölüştürmesi: Robotun bir hareketinin fiziksel dünyada neye yol açacağını öngörme işi ile bu sonucu tutarlı bir videoya dönüştürme işini ayrı öğreniyor; ardından ikisini sürekli iletişim içinde tutuyor.
Kamuya açık haberlere göre Muka’nın SisyphusWorld takma adıyla sunduğu LJM, WorldArena açık sıralamasında 73,06 EWMScore_P ile ikinci oldu. İlk sırada 73,64 puanla Xiaomi UNIS yer aldı. Aynı haberlerde model için 89,17 Motion Quality, 92,60 3D Accuracy ve 85,93 Controllability alt skorları ile 32 adet Zhenwu 810E GPU kullanıldığı belirtiliyor.1 Bu sonuçlar kayda değer; ancak erişilebilen kanıtların büyük kısmı platform ve medya haberlerine dayanıyor. Dolayısıyla bunlar, bağımsız biçimde tekrarlanmış eksiksiz deneylerin veya ablasyon çalışmalarının yerini tutmuyor.
Temel fikir: Önce etkileşimi öngör, sonra görüntüyü üret
Eylem koşullu video difüzyon modellerinde robot hareketi çoğu zaman video üretim ağına düşük boyutlu bir koşul olarak eklenir. Bu, çıktının hareket komutuyla değişmesine yardımcı olabilir. Fakat model yine de piksel ya da video düzeyindeki eğitim hedeflerinden hareketle şu soruları kendi başına çözmek zorundadır: Robot kolu nesneye temas etti mi? Kavrayıcı nesneyi tuttu mu? Nesne nereye gidecek? Mekânsal ilişkiler süreç boyunca korunacak mı?
LJM, bu çıkarımı açık bir temsil katmanına taşıyor. Dil talimatını, görsel geçmişi, mevcut referans gözlemi ve gelecek eylemleri öğrenilebilir bir etkileşim gizil uzayına dönüştürüyor; bu temsil daha sonra gelecek videonun üretimini sınırlıyor.1 Böylece video üreticisi, eylemi anlama, etkileşimi tahmin etme ve görüntüyü üretme yükünün tamamını tek başına üstlenmiyor.
Bu, video üretiminin önemsizleştiği anlamına gelmiyor. LJM’in iddiası, üreticinin kapasitesini daha çok görsel tutarlılık ve ayrıntı sunmaya ayırırken, robot–nesne etkileşimlerinin tahminini uzmanlaşmış bir temsil katmanına bırakmak.
Çift uzmanlı mimaride görev paylaşımı
LJM iki işbirlikçi uzmandan oluşuyor:
- Latent Reasoning Expert (gizil muhakeme uzmanı): Qwen3-VL-2B temelli bu bölüm; talimatı, görsel diziyi, referans gözlemi ve planlanan eylemleri okuyarak sürekli muhakeme belirteçleri üretiyor. Buradaki muhakeme, doğal dilde bir düşünce zinciri yazmak değil; robotun ulaşacağı durumu, sahnedeki olası değişimleri ve eylemin doğuracağı hareketi gizil uzayda kodlamak anlamına geliyor.
1
- World Modeling Expert (dünya modelleme uzmanı): Wan2.2-TI2V-5B Diffusion Transformer tabanlı bu bölüm, VAE gizil uzayında gelecek videoyu üretiyor. İlk uzmanın sağladığı etkileşim temsilini ardışık görüntülere dönüştürüyor.
Bunu, bir “etkileşim senaryosu” ile “görsel canlandırma”nın birleşimi gibi düşünmek mümkün. İlki eylemin sonuçlarını tarif ediyor; ikincisi bu sonuçları inandırıcı bir görsel geleceğe çeviriyor. Bu iş bölümü, mimarinin sınırlı eğitim kaynağıyla hareket, uzamsal doğruluk ve kontrol edilebilirlikte güçlü sonuçlar verme ihtimalini açıklıyor. Yine de bu, mimariye dayalı makul bir yorumdur; tek başına nedensel etkinliğin kesin ispatı değildir.
Gizil temsili fiziksel etkileşime bağlayan üç kısıt
Bir gizil değişken eklemek, onun gerçekten fiziksel süreci temsil edeceğini garanti etmez. LJM bu nedenle gizil muhakeme belirteçlerini gözlenebilir verilerle bağlantılı üç tahmin hedefiyle kısıtlıyor:
- Uç efektörün üç boyutlu konumu: Temsilin robot kolunun uç noktasının uzaydaki rotasıyla eşleşmesini hedefliyor.
- Sahne nesnelerinin görsel dinamikleri: Modelin, manipüle edilen nesnenin eylemle uyumlu biçimde değişip değişmediğine dikkat etmesini sağlıyor.
- Optik akış yönü: Görüntüdeki hareketin yönüne ilişkin sorumluluk yüklüyor.
Bu hedeflerin önemi şu: Gizil temsil yalnızca “makul görünen” kareler üretmeye hizmet edemez; robotun nereye gittiğini, hangi nesnelerin değiştiğini ve görüntü hareketinin hangi yöne aktığını da açıklamak zorundadır. Haberlerde bu yaklaşım, gelecek robot durumu, optik akış ve görsel gizil değişkenler üzerindeki iç içe denetim olarak anlatılıyor.1
Bu tür kısıtlar modelin her temas, sürtünme veya örtülme senaryosunda katı bir fizik anlayışına sahip olacağını garanti etmez. Ancak eğitime, yalnızca video yeniden oluşturmanın sağladığından daha doğrudan etkileşim sinyalleri ekler.
Paylaşımlı dikkat neden tek seferlik koşullamadan farklı?
LJM, Mixture-of-Transformers biçiminde paylaşımlı dikkat kullanıyor. Böylece muhakeme belirteçleri ile video belirteçleri, sabit bir koşul vektörünün bir kez video üreticisine verilmesi yerine, model katmanları boyunca bilgi alışverişi yapıyor.1
Bu mekanizmanın hedefi sürekli ve çift yönlü eşgüdüm:
- Etkileşim öngörüsü, video üretimine uzamsal ve hareketle ilgili kısıtlar sağlıyor.
- Video temsilindeki bağlam da etkileşim temsilinin güncellenmesine katılabiliyor.
Tek yönlü ve sabit koşullamaya kıyasla bu katmanlar arası alışveriş, uzun süreçlerdeki geri besleme ilişkileri için daha elverişli olabilir. Örneğin nesnenin konumu, örtülmesi veya hareket durumu üretim sırasında değiştikçe, etkileşim temsili teorik olarak ilk andaki sabit koşula mahkûm kalmaz. Bununla birlikte, açık materyaller mekanizmayı tarif etse de tek başına ne kadar katkı yaptığını ölçen bağımsız ablasyon sonuçları sunmuyor.1
“32 GPU” bilgisinin anlamı ve sınırı
Haberler, LJM eğitiminin 32 Zhenwu 810E GPU ile; DROID ön eğitimi ve RoboTwin üzerindeki devam eğitimi aşamalarında gerçekleştirildiğini bildiriyor.1 Burada çıkarılması gereken sonuç, video dünya modellerinin birdenbire ucuzladığı değil. Mimari, üreticinin piksellerden dolaylı biçimde etkileşim yapısını keşfetme yükünü azaltıyor olabilir.
Başka bir ifadeyle verimlilik iddiası, bir tümevarımsal önyargıdan kaynaklanıyor: Hesaplama, açık etkileşim anlamı olan gizil temsillere ve onların gözlenebilir kısıtlarına yönlendiriliyor; tek bir video modelinin aynı anda eylem kontrolünü, uzamsal yapıyı, nesne dinamiklerini ve görüntü kalitesini öğrenmesine tamamen bel bağlanmıyor.
Ancak GPU sayısı, toplam eğitim hesaplamasını doğrudan karşılaştırmaya yetmez. Eğitim süresi, veri miktarı, parametre sayısı, çözünürlük, paralelleştirme verimliliği ve eğitim aşamaları sistemler arasında ciddi biçimde değişebilir. Bu nedenle mevcut bilgilerle LJM’in diğer modellere kıyasla toplamda ne kadar hesaplama tasarrufu sağladığını kesin olarak hesaplamak mümkün değil.
Şirket ve ekip hakkında bilinenler
Açık haberlere göre Muka Robotics, gerçek fiziksel dünya için robot dünya modellerine odaklanmak üzere Nisan 2026’da kuruldu. Hong Kong Bilim ve Teknoloji Üniversitesi doktora mezunu Chi Xiaowei (池晓威), kurucu; ayrıca şirketin yasal temsilcisi ve fiili kontrol sahibi olarak gösteriliyor.38 Başka bir haberde ise Chi, şirketin kurucu ortağı ve CEO’su olarak anılıyor.
18
Buna karşılık, ekibin tamamının hangi şirketlerden, laboratuvarlardan veya kurumlardan geldiğini güvenilir ve tutarlı şekilde doğrulayacak yeterli ayrıntı sağlanan kaynaklarda bulunmuyor. Bu yüzden güvenli sonuç şu: Chi Xiaowei’nin Hong Kong Bilim ve Teknoloji Üniversitesi doktora geçmişi haberlere dayanıyor; ancak buradan yola çıkarak tüm ekibin geçmişi hakkında çıkarım yapmak doğru olmaz.18
38
Bu başarı aslında ne söylüyor?
SisyphusWorld’ün sıralama performansı, incelenmeye değer bir hipotezi destekliyor: Robot dünya modelleri gerçekçiliği yalnızca video üreticisini büyüterek aramak zorunda olmayabilir. Eylemlerin etkileşim sonuçlarını açıkça öğrenen ve bunu video üretimiyle sıkı biçimde eşleyen sistemler de güçlü bir seçenek olabilir.
Fakat tek başına sıralama sonucu, “açık fiziksel muhakemenin” ölçek büyütme yaklaşımından genel olarak üstün olduğunu kanıtlamaz. LJM’in her robotta, her veri dağılımında ya da gerçek dünyadaki kapalı çevrim kontrol koşullarında daha iyi olacağını da göstermez. Bunu test etmek için fiziksel denetim hedefleri, paylaşımlı dikkat ve çift uzmanlı görev bölümünün ayrı ayrı incelendiği daha kapsamlı teknik raporlara; ayrıca veri setleri, robot gövdeleri ve gerçek kapalı çevrim kontrol arasında yapılan değerlendirmelere ihtiyaç var.
Şimdilik en dengeli sonuç şu: LJM, robot dünya modelleri için ikna edici bir mühendislik varsayımı sunuyor — etkileşim öngörüsü ile görsel üretim, birbirine bağlanarak fakat birbirine karıştırılmadan eğitilirse; daha odaklı hesaplama yatırımıyla hem fiziksel tutarlılık hem de görsel kalite iyileşebilir. 1
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "LJM, 32 GPU ile WorldArena’da ikinci sıraya nasıl çıktı?"?
Kamuya açık haberlere göre Muka Robotics’in anonim olarak sunduğu SisyphusWorld, WorldArena’da 73,06 EWMScore P ile ikinci sıraya yerleşti.
What are the key points to validate first?
Kamuya açık haberlere göre Muka Robotics’in anonim olarak sunduğu SisyphusWorld, WorldArena’da 73,06 EWMScore P ile ikinci sıraya yerleşti. LJM; komut, görsel geçmiş ve planlanan eylemlerden etkileşim odaklı gizil temsiller üretiyor, ardından bu temsilleri gelecek videoyu üretirken kısıt olarak kullanıyor.[1]
What should I do next in practice?
Mimari iddialı olsa da her bileşenin katkısını ayrı ayrı gösteren bağımsız ve kapsamlı açık ablasyon çalışmaları henüz görünen kaynaklarda yer almıyor.[1]