Câu trả lờiĐã xuất bản13 nguồn
LJM của Muka Robotics đã vào top 2 WorldArena với 32 GPU bằng cách nào?
Theo các báo cáo công khai, mô hình SisyphusWorld của Muka Robotics đạt EWMScore P 73,06, đứng thứ hai trên bảng WorldArena, sau Xiaomi UNIS với 73,64. Ý tưởng trọng tâm của LJM là mô phỏng hệ quả tương tác của hành động trong không gian tiềm ẩn trước, sau đó dùng biểu diễn này để ràng buộc việc tạo video tương lai.
Đăng bởiBiên tập bằng GPT-5.6 TerraHình ảnh được tạo bằng GPT Image 2
Câu trả lời nghiên cứu
Bài học chính
- Theo các báo cáo công khai, mô hình SisyphusWorld của Muka Robotics đạt EWMScore P 73,06, đứng thứ hai trên bảng WorldArena, sau Xiaomi UNIS với 73,64.
- Ý tưởng trọng tâm của LJM là mô phỏng hệ quả tương tác của hành động trong không gian tiềm ẩn trước, sau đó dùng biểu diễn này để ràng buộc việc tạo video tương lai.
Prompt AI
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
Theo thông tin được công bố, Muka Robotics gửi mô hình LJM (Latent Joint-conditional Model) lên WorldArena dưới tên ẩn danh SisyphusWorld. Mô hình đạt EWMScore_P 73,06, đứng thứ hai trên bảng xếp hạng công khai, sau Xiaomi UNIS với 73,64. Các điểm thành phần được nêu gồm 89,17 Motion Quality, 92,60 3D Accuracy và 85,93 Controllability; báo cáo cũng cho biết việc huấn luyện dùng 32 GPU Zhenwu 810E.1
Điểm đáng chú ý không phải là kết luận rằng ít tài nguyên luôn đánh bại huấn luyện quy mô lớn. Đúng hơn, LJM đưa ra một cách phân bổ năng lực khác: để một phần mô hình dự đoán hành động của robot sẽ gây ra điều gì trong thế giới vật lý, và để phần còn lại biến kết quả đó thành video nhất quán.
Các số liệu trên hiện chủ yếu đến từ thông tin nền tảng và báo chí. Vì vậy, chúng chưa thay thế được báo cáo tái lập độc lập hoặc thí nghiệm triệt tiêu thành phần (ablation) công khai, đầy đủ.
Vấn đề LJM muốn giải quyết: video đẹp chưa chắc hiểu tương tác
Ở các mô hình khuếch tán tạo video có điều kiện hành động, dữ liệu điều khiển của robot thường được đưa vào mạng tạo video như một tín hiệu có số chiều thấp. Cách làm này có thể giúp đầu ra thay đổi theo hành động, nhưng mô hình video vẫn phải tự suy ra từ mục tiêu học trên hình ảnh rằng: tay gắp đã chạm đồ vật chưa, có nhấc được vật lên không, vật sẽ đi về đâu, hay quan hệ không gian có còn hợp lý không.
LJM cố gắng làm rõ bước này. Mô hình chuyển chỉ dẫn ngôn ngữ, lịch sử quan sát thị giác, quan sát mốc hiện tại và chuỗi hành động tương lai thành một biểu diễn tương tác tiềm ẩn có thể học được; biểu diễn đó sau đó ràng buộc quá trình tạo video tương lai.1
Nói ngắn gọn, thay vì yêu cầu một mô hình duy nhất vừa hiểu ý nghĩa vật lý của hành động, vừa dự đoán tương tác, vừa dựng khung hình, LJM phân chia các công việc này. Mô hình tạo video vẫn quan trọng, nhưng có thể tập trung hơn vào tính liên tục thị giác và chi tiết hình ảnh.
Hai chuyên gia chia việc ra sao?
LJM kết hợp hai thành phần phối hợp với nhau:
- Latent Reasoning Expert — chuyên gia suy luận tiềm ẩn: dựa trên Qwen3-VL-2B, nhận chỉ dẫn, chuỗi hình ảnh, quan sát mốc và hành động dự kiến để sinh ra các reasoning token liên tục. “Suy luận” ở đây không phải chuỗi suy nghĩ bằng ngôn ngữ tự nhiên; đó là mã hóa trong không gian tiềm ẩn về trạng thái robot sắp đạt tới, thay đổi có thể xảy ra trong cảnh và chuyển động do hành động tạo ra.
1
- World Modeling Expert — chuyên gia mô hình hóa thế giới: dựa trên Wan2.2-TI2V-5B Diffusion Transformer, tạo video tương lai trong không gian tiềm ẩn VAE, chuyển biểu diễn tương tác của chuyên gia thứ nhất thành các khung hình liên tục.
Có thể hình dung phần đầu tạo một “kịch bản tương tác”: tay máy đi đâu, vật nào có thể thay đổi và chuyển động diễn ra theo hướng nào. Phần sau đảm trách “dựng hình” cho kịch bản ấy thành video đáng tin hơn.
Sự phân vai này đưa ra lời giải thích hợp lý cho việc mô hình có thể đạt chỉ số tốt về chuyển động, không gian và khả năng điều khiển dù giới hạn tài nguyên huấn luyện. Tuy nhiên, đó vẫn là một lập luận ở cấp độ kiến trúc, không phải kết luận nhân quả đã được chứng minh dứt khoát.
Ba ràng buộc dự báo vật lý giúp neo biểu diễn vào dữ liệu
Một biến tiềm ẩn tự nó không bảo đảm rằng mô hình thực sự biểu diễn đúng vật lý. LJM bổ sung ba nhóm mục tiêu dự báo gắn với dữ liệu quan sát được cho các reasoning token:
- Vị trí 3D của đầu công tác (end-effector): gắn biểu diễn với quỹ đạo không gian của phần cuối cánh tay robot;
- Động lực học thị giác của vật thể trong cảnh: buộc mô hình chú ý liệu vật bị thao tác có thay đổi phù hợp với hành động hay không;
- Hướng quang thông (optical flow): yêu cầu mô hình chịu trách nhiệm về hướng chuyển động trong ảnh.
Các mục tiêu này khiến biểu diễn tiềm ẩn không thể chỉ phục vụ việc tạo ra khung hình “trông có vẻ hợp lý”. Về mặt thiết kế, nó còn phải giải thích robot đi đến đâu, vật thể nào thay đổi và chuyển động hình ảnh diễn ra theo hướng nào.
Dĩ nhiên, các ràng buộc đó không đồng nghĩa mô hình đã có hiểu biết vật lý nghiêm ngặt trong mọi tình huống như tiếp xúc phức tạp, ma sát hay vật bị che khuất. Nhưng chúng cung cấp tín hiệu học trực tiếp hơn về tương tác so với chỉ tái tạo video.
Vì sao chia sẻ attention quan trọng?
LJM dùng cơ chế shared attention theo dạng Mixture-of-Transformers, để các token suy luận và token video trao đổi thông tin qua các lớp mô hình, thay vì chỉ truyền một vector điều kiện cố định một lần cho bộ tạo video.1
Mục tiêu là duy trì sự phối hợp hai chiều:
- phần suy luận tương tác cung cấp ràng buộc về không gian và chuyển động cho quá trình tạo video;
- bối cảnh đang thay đổi trong biểu diễn video có thể góp phần cập nhật biểu diễn tương tác.
So với việc “bơm” điều kiện một chiều, cố định, cách trao đổi theo từng lớp về lý thuyết phù hợp hơn với các chuỗi dài, nơi vị trí vật thể, che khuất hoặc trạng thái chuyển động có thể thay đổi dần khi video được tạo ra. Tài liệu công khai mô tả cơ chế này, nhưng chưa đưa ra kết quả triệt tiêu độc lập đủ để định lượng riêng phần đóng góp của nó.1
“32 GPU” thực sự nói lên điều gì?
Thông tin công bố mô tả LJM được huấn luyện với 32 GPU Zhenwu 810E, trong giai đoạn tiền huấn luyện trên DROID và huấn luyện tiếp trên RoboTwin.1 Cách diễn giải thận trọng nhất không phải “mô hình thế giới video giờ đã rẻ”, mà là kiến trúc này có thể giảm gánh nặng cho bộ tạo video trong việc tự khám phá cấu trúc tương tác chỉ từ pixel.
Tuyên bố hiệu quả ở đây dựa trên một thiên kiến quy nạp: dành năng lực tính toán cho biểu diễn có ý nghĩa tương tác rõ ràng và các ràng buộc quan sát được, thay vì kỳ vọng một mô hình video đơn khối cùng lúc học điều khiển hành động, cấu trúc không gian, động lực học vật thể và chất lượng hình ảnh.
Tuy vậy, số GPU không đủ để so sánh trực tiếp tổng chi phí tính toán giữa các hệ thống. Thời gian chạy, kích thước và chất lượng dữ liệu, số tham số, độ phân giải, hiệu quả song song và số giai đoạn huấn luyện đều có thể khác nhau. Với thông tin hiện có, chưa thể tính nghiêm ngặt LJM tiết kiệm bao nhiêu tổng năng lực tính toán so với các mô hình khác.
Ai sáng lập Muka Robotics?
Các báo cáo cho biết Muka Robotics được thành lập vào tháng 4 năm 2026, tập trung vào mô hình thế giới cho robot trong môi trường vật lý thực. Chi Xiaowei (池晓威), tiến sĩ Đại học Khoa học và Công nghệ Hồng Kông, được nêu là người sáng lập; một nguồn khác gọi ông là đồng sáng lập kiêm CEO. Hồ sơ doanh nghiệp được trích dẫn cũng cho biết ông là người đại diện pháp luật và người kiểm soát thực tế của công ty.18
38
Tuy nhiên, các tài liệu được cung cấp không có thông tin đủ đáng tin cậy và nhất quán để xác nhận lý lịch đầy đủ của toàn bộ đội ngũ, như họ từng đến từ những công ty hay phòng thí nghiệm nào. Vì thế, không nên suy rộng từ nền tảng của nhà sáng lập sang nguồn gốc của cả nhóm.18
38
Kết luận: một giả thuyết kỹ thuật đáng theo dõi
Thành tích của SisyphusWorld ủng hộ một hướng đáng tiếp tục kiểm chứng: mô hình thế giới cho robot không nhất thiết chỉ tăng kích thước bộ tạo video để theo đuổi độ chân thực. Một lựa chọn khác là coi hệ quả tương tác là đối tượng học rõ ràng, rồi ghép chặt nó với việc tạo video.
Nhưng vị trí trên bảng xếp hạng, tự nó, chưa chứng minh suy luận vật lý tường minh luôn tốt hơn huấn luyện quy mô lớn; cũng chưa chứng minh LJM sẽ vượt trội với mọi robot, mọi phân phối dữ liệu hay mọi điều kiện triển khai thực tế. Để kiểm tra mạnh hơn, cần có báo cáo kỹ thuật công khai về triệt tiêu từng nhóm giám sát vật lý, shared attention và cách phân chia hai chuyên gia, cùng đánh giá trên nhiều bộ dữ liệu, nhiều hình thái robot và các vòng điều khiển thực.
Ở thời điểm này, kết luận hợp lý nhất là: LJM trình bày một giả thuyết kỹ thuật thuyết phục rằng việc huấn luyện chung nhưng không đánh đồng giữa dự đoán tương tác và dựng hình có thể tập trung tài nguyên tính toán tốt hơn, đồng thời cải thiện tính nhất quán vật lý lẫn chất lượng thị giác. 1
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Người ta cũng hỏi
Câu trả lời ngắn gọn cho "LJM của Muka Robotics đã vào top 2 WorldArena với 32 GPU bằng cách nào?" là gì?
Theo các báo cáo công khai, mô hình SisyphusWorld của Muka Robotics đạt EWMScore P 73,06, đứng thứ hai trên bảng WorldArena, sau Xiaomi UNIS với 73,64.
Những điểm chính cần xác nhận đầu tiên là gì?
Theo các báo cáo công khai, mô hình SisyphusWorld của Muka Robotics đạt EWMScore P 73,06, đứng thứ hai trên bảng WorldArena, sau Xiaomi UNIS với 73,64. Ý tưởng trọng tâm của LJM là mô phỏng hệ quả tương tác của hành động trong không gian tiềm ẩn trước, sau đó dùng biểu diễn này để ràng buộc việc tạo video tương lai.