Muka Robotics 的 LJM（Latent Joint-conditional Model）之所以受到关注，不在于它证明了小规模算力一定能胜过大规模训练，而在于它提出了一种不同的资源分配方式：把“动作会对物理世界造成什么后果”的推演，与“把后果渲染成连贯视频”分开学习，再让两者持续协作。

据公开报道，Muka 以匿名代号 SisyphusWorld 提交 LJM，在 WorldArena 公开榜的 EWMScore_P 为 73.06、排名第二，仅次于小米 UNIS 的 73.64。报道同时列出 89.17 Motion Quality、92.60 3D Accuracy、85.93 Controllability 等分项成绩，并称训练使用了 32 张 Zhenwu 810E GPU。1 这些结果值得关注，但目前可见证据主要来自平台和媒体报道，不能替代公开、独立的完整复现实验或消融研究。

核心判断：先建模交互，再生成画面

常见的动作条件视频扩散模型，通常把机器人动作作为低维条件输入视频生成网络。这样做能让输出随动作变化，但模型仍需主要通过视频或像素层面的训练目标，自己推断动作数值背后的含义：机械臂是否接触物体、夹爪是否抓住物体、物体会向哪里移动，以及空间关系是否保持一致。

LJM 试图把这一步显式化。它先把语言指令、视觉历史、当前锚点观测和未来动作转化为可学习的“交互潜变量”，用这些潜变量约束后续未来视频的生成。1 因而，视频生成不再独自承担理解动作、预测交互和生成画面的全部任务。

这并不意味着视频生成不重要；相反，LJM 的主张是让生成器将更多能力用于视觉一致性和细节呈现，而把对机器人—物体交互的预测交给专门的表示层。

双专家架构如何分工

LJM 由两个协作的专家组成：

• Latent Reasoning Expert（潜推理专家）：基于 Qwen3-VL-2B，读取指令、视觉序列、锚点观测和计划动作，产生连续的 reasoning tokens。这里的“推理”不是输出自然语言思维链，而是在潜空间中编码机器人将到达的状态、场景可能出现的变化及动作引发的运动。1
• World Modeling Expert（世界建模专家）：基于 Wan2.2-TI2V-5B Diffusion Transformer，在 VAE 潜空间中生成未来视频，将前一专家提供的交互表示转化为连续画面。1

可以把它理解为“交互脚本”和“视觉渲染”的结合：前者负责描述动作后果，后者负责把该后果表现为可信的视觉未来。这样的分工解释了为什么该方案有可能在有限训练资源下取得较强的运动、空间和可控性表现——但这仍是架构层面的合理解释，而不是对因果效果的最终证明。

三类物理预测约束如何让潜变量更贴近真实交互

仅仅引入一个潜变量，并不保证它真的表达了物理过程。LJM 的另一层设计，是对潜推理 token 施加三类与可观测数据对应的预测约束：

1. 末端执行器的三维位置：让表示与机械臂末端的空间轨迹对应；
2. 场景物体的视觉动态：让模型关注被操作物体是否发生了与动作相符的变化；
3. 光流方向：让模型对图像中运动的方向性负责。1

这些目标的意义在于，潜表示不能只服务于生成“看起来合理”的画面，还要解释机器人去往何处、哪些物体发生变化，以及画面运动朝什么方向发展。报道将这种交错监督描述为对未来本体状态、光流和视觉潜变量的联合约束。1

这类约束并不能保证模型在所有接触、摩擦或遮挡场景中都具备严格的物理理解，但它为训练提供了比纯视频重建更直接的交互信号。

共享注意力为何不同于一次性条件注入

LJM 还采用 Mixture-of-Transformers 形式的共享注意力，让推理 token 和视频 token 在模型层间交换信息，而不是把一个固定条件向量一次性传给视频生成器。1

这一点的设计意图是形成持续的双向协调：

• 交互推演为视频生成提供空间和运动约束；
• 视频表示中的上下文又可参与更新交互表示。

相较于单向、固定的条件注入，这种逐层交换更适合表达长过程中的反馈关系。例如，当物体的位置、遮挡或运动状态在生成过程中变化时，交互表征理论上不必停留在最初的静态条件上。公开材料描述了这种机制，但没有提供足以量化其单独贡献的独立消融结果。1

“32 张 GPU”的意义与边界

报道将 LJM 的训练规模描述为 32 张 Zhenwu 810E GPU，并强调其在 DROID 预训练和 RoboTwin 继续训练中的使用。1 真正值得解读的并不是“视频世界模型变得廉价”，而是该架构可能减少了生成器从像素中间接发现交互结构的负担。

换言之，效率主张来自归纳偏置：把算力用于有明确交互含义的潜表示及其可观测约束，而非完全依赖一个单体视频模型同时学会动作控制、空间结构、物体动态和画面质量。

但 GPU 数量本身不能直接比较总训练计算量。不同系统的训练时长、数据规模、模型参数量、分辨率、并行效率和训练阶段都可能差异很大。因此，现有信息不足以严格计算 LJM 相比其他模型节省了多少总算力。

公司与团队信息：已知与未知

公开报道显示，Muka Robotics 成立于 2026 年 4 月，聚焦面向真实物理世界的机器人世界模型；相关报道将香港科技大学博士池晓威列为创始人，并称其担任公司法定代表人和实际控制人。38 另有报道将其称为联合创始人兼 CEO。18

不过，关于完整团队来自哪些公司、实验室或机构，现有提供的材料没有足够可靠且一致的细节可供确认。因此，更稳妥的结论是：池晓威的港科大博士背景有公开报道支持，而完整团队履历不应据此延伸推断。1838

这项成绩真正说明了什么

SisyphusWorld 的榜单表现支持一个值得继续检验的方向：机器人世界模型不必只靠扩大视频生成器规模来追求真实感，也可以把交互后果作为显式学习对象，并让它与视频生成紧密耦合。

不过，榜单排名不能单独证明“显式物理推理”已经普遍优于规模化训练，更不能证明 LJM 在所有机器人、数据分布或现实部署条件下都占优。要验证这一点，仍需要更完整的公开技术报告：包括各物理监督项、共享注意力和双专家分工的消融实验，以及跨数据集、跨机器人本体和真实闭环控制的评测。

目前最合理的结论是：LJM 为机器人世界模型提供了一个有说服力的工程假设——通过把交互推演与视觉生成联合但不混同地训练，模型或许能以更集中的计算投入，同时改善物理一致性与视觉质量。 1

Muka Robotics 的 LJM（Latent Joint-conditional Model）之所以受到关注，不在于它证明了小规模算力一定能胜过大规模训练，而在于它提出了一种不同的资源分配方式：把“动作会对物理世界造成什么后果”的推演，与“把后果渲染成连贯视频”分开学习，再让两者持续协作。

据公开报道，Muka 以匿名代号 SisyphusWorld 提交 LJM，在 WorldArena 公开榜的 EWMScore_P 为 73.06、排名第二，仅次于小米 UNIS 的 73.64。报道同时列出 89.17 Motion Quality、92.60 3D Accuracy、85.93 Controllability 等分项成绩，并称训练使用了 32 张 Zhenwu 810E GPU。1 这些结果值得关注，但目前可见证据主要来自平台和媒体报道，不能替代公开、独立的完整复现实验或消融研究。

核心判断：先建模交互，再生成画面

常见的动作条件视频扩散模型，通常把机器人动作作为低维条件输入视频生成网络。这样做能让输出随动作变化，但模型仍需主要通过视频或像素层面的训练目标，自己推断动作数值背后的含义：机械臂是否接触物体、夹爪是否抓住物体、物体会向哪里移动，以及空间关系是否保持一致。

LJM 试图把这一步显式化。它先把语言指令、视觉历史、当前锚点观测和未来动作转化为可学习的“交互潜变量”，用这些潜变量约束后续未来视频的生成。1 因而，视频生成不再独自承担理解动作、预测交互和生成画面的全部任务。

这并不意味着视频生成不重要；相反，LJM 的主张是让生成器将更多能力用于视觉一致性和细节呈现，而把对机器人—物体交互的预测交给专门的表示层。

双专家架构如何分工

LJM 由两个协作的专家组成：

• Latent Reasoning Expert（潜推理专家）：基于 Qwen3-VL-2B，读取指令、视觉序列、锚点观测和计划动作，产生连续的 reasoning tokens。这里的“推理”不是输出自然语言思维链，而是在潜空间中编码机器人将到达的状态、场景可能出现的变化及动作引发的运动。1
• World Modeling Expert（世界建模专家）：基于 Wan2.2-TI2V-5B Diffusion Transformer，在 VAE 潜空间中生成未来视频，将前一专家提供的交互表示转化为连续画面。1

可以把它理解为“交互脚本”和“视觉渲染”的结合：前者负责描述动作后果，后者负责把该后果表现为可信的视觉未来。这样的分工解释了为什么该方案有可能在有限训练资源下取得较强的运动、空间和可控性表现——但这仍是架构层面的合理解释，而不是对因果效果的最终证明。

三类物理预测约束如何让潜变量更贴近真实交互

仅仅引入一个潜变量，并不保证它真的表达了物理过程。LJM 的另一层设计，是对潜推理 token 施加三类与可观测数据对应的预测约束：

1. 末端执行器的三维位置：让表示与机械臂末端的空间轨迹对应；
2. 场景物体的视觉动态：让模型关注被操作物体是否发生了与动作相符的变化；
3. 光流方向：让模型对图像中运动的方向性负责。1

这些目标的意义在于，潜表示不能只服务于生成“看起来合理”的画面，还要解释机器人去往何处、哪些物体发生变化，以及画面运动朝什么方向发展。报道将这种交错监督描述为对未来本体状态、光流和视觉潜变量的联合约束。1

这类约束并不能保证模型在所有接触、摩擦或遮挡场景中都具备严格的物理理解，但它为训练提供了比纯视频重建更直接的交互信号。

共享注意力为何不同于一次性条件注入

LJM 还采用 Mixture-of-Transformers 形式的共享注意力，让推理 token 和视频 token 在模型层间交换信息，而不是把一个固定条件向量一次性传给视频生成器。1

这一点的设计意图是形成持续的双向协调：

• 交互推演为视频生成提供空间和运动约束；
• 视频表示中的上下文又可参与更新交互表示。

相较于单向、固定的条件注入，这种逐层交换更适合表达长过程中的反馈关系。例如，当物体的位置、遮挡或运动状态在生成过程中变化时，交互表征理论上不必停留在最初的静态条件上。公开材料描述了这种机制，但没有提供足以量化其单独贡献的独立消融结果。1

“32 张 GPU”的意义与边界

报道将 LJM 的训练规模描述为 32 张 Zhenwu 810E GPU，并强调其在 DROID 预训练和 RoboTwin 继续训练中的使用。1 真正值得解读的并不是“视频世界模型变得廉价”，而是该架构可能减少了生成器从像素中间接发现交互结构的负担。

换言之，效率主张来自归纳偏置：把算力用于有明确交互含义的潜表示及其可观测约束，而非完全依赖一个单体视频模型同时学会动作控制、空间结构、物体动态和画面质量。

但 GPU 数量本身不能直接比较总训练计算量。不同系统的训练时长、数据规模、模型参数量、分辨率、并行效率和训练阶段都可能差异很大。因此，现有信息不足以严格计算 LJM 相比其他模型节省了多少总算力。

公司与团队信息：已知与未知

公开报道显示，Muka Robotics 成立于 2026 年 4 月，聚焦面向真实物理世界的机器人世界模型；相关报道将香港科技大学博士池晓威列为创始人，并称其担任公司法定代表人和实际控制人。38 另有报道将其称为联合创始人兼 CEO。18

不过，关于完整团队来自哪些公司、实验室或机构，现有提供的材料没有足够可靠且一致的细节可供确认。因此，更稳妥的结论是：池晓威的港科大博士背景有公开报道支持，而完整团队履历不应据此延伸推断。1838

这项成绩真正说明了什么

SisyphusWorld 的榜单表现支持一个值得继续检验的方向：机器人世界模型不必只靠扩大视频生成器规模来追求真实感，也可以把交互后果作为显式学习对象，并让它与视频生成紧密耦合。

不过，榜单排名不能单独证明“显式物理推理”已经普遍优于规模化训练，更不能证明 LJM 在所有机器人、数据分布或现实部署条件下都占优。要验证这一点，仍需要更完整的公开技术报告：包括各物理监督项、共享注意力和双专家分工的消融实验，以及跨数据集、跨机器人本体和真实闭环控制的评测。

目前最合理的结论是：LJM 为机器人世界模型提供了一个有说服力的工程假设——通过把交互推演与视觉生成联合但不混同地训练，模型或许能以更集中的计算投入，同时改善物理一致性与视觉质量。 1