成績亮點：重點不只是「用了 32 張 GPU」

Muka Robotics 的 LJM（Latent Joint-conditional Model）受到關注，並不是因為它已證明小型算力必然勝過大規模訓練，而是它採取了不同的工作分配：先推演動作會對物理世界造成什麼影響，再把結果生成為連貫影片。

依公開報導，Muka 以匿名代號 SisyphusWorld 提交模型，在 WorldArena 公開榜取得 73.06 EWMScore_P、排名第二，僅次於小米 UNIS 的 73.64。報導列出的分項成績包括 89.17 Motion Quality、92.60 3D Accuracy、85.93 Controllability，並稱訓練使用了 32 張 Zhenwu 810E GPU。1

這份成績支持一個值得持續驗證的方向：機器人世界模型未必只能靠擴大影片模型規模，也能將「互動後果」當成明確的學習對象。不過，目前可見證據主要來自公開榜單與媒體報導，尚不能取代完整、獨立的復現與消融實驗。

傳統做法的難題：動作數字不等於物理理解

常見的動作條件式影片擴散模型，會把機器人動作當作低維條件輸入影片生成網路。這能讓生成畫面隨動作改變，但模型仍得從影片或像素層級的訓練目標中，自行摸索那些動作數值的含義：

• 機械臂是否碰到物體？
• 夾爪是否真的抓住物體？
• 物體接下來會往哪裡移動？
• 遮擋、空間位置與運動方向能否維持一致？

LJM 想處理的正是這個問題。它不把動作只當成一次性的附加條件，而是先將語言指令、視覺歷史、當前錨點觀測與未來動作轉為可學習的「互動潛在表示」，再用這些表示限制未來影片的生成。1

換句話說，影片模型不再必須獨自扛下理解動作、預測交互與渲染畫面的全部工作。

雙專家架構：一個推演互動，一個生成影片

LJM 將系統分成兩個協同工作的專家：

• Latent Reasoning Expert（潛在推理專家）：以 Qwen3-VL-2B 為基礎，讀取指令、視覺序列、錨點觀測與規劃動作，輸出連續的 reasoning tokens。這裡的「推理」不是產生自然語言思考過程，而是在潛在空間預測機器人將抵達的狀態、場景可能出現的變化，以及動作引發的運動。1
• World Modeling Expert（世界建模專家）：以 Wan2.2-TI2V-5B Diffusion Transformer 為基礎，在 VAE 潛在空間生成未來影片，將前者產生的互動表示轉化為連續畫面。1

可將其理解成「互動腳本」加上「視覺渲染」：前者先交代機械臂、物體與空間關係接下來會如何改變；後者再把這份腳本呈現成可信的視覺未來。

這種分工提供了合理的效率解釋：若生成器不必完全從像素資料中間接發現接觸、抓取與位移等結構，算力便能更集中地用在互動表示、空間一致性與畫面品質上。但這仍是架構上的推論，不等同於已完成的因果證明。

三類物理預測約束，讓潛在表示不能只「看起來合理」

只加入潛在變數，不代表模型就真的理解物理。LJM 的另一項設計，是對潛在推理 token 加上三類可對應觀測資料的預測約束：

1. 末端執行器的三維位置：要求表示與機械臂末端的空間軌跡相符；
2. 場景物體的視覺動態：要求模型掌握被操作物體是否出現與動作一致的改變；
3. 光流方向：要求模型對影像中的運動方向負責。1

這些目標的用意是讓潛在表示不只服務於「生成一段看似合理的影片」，還必須描述機器人前往何處、哪些物體產生變化，以及畫面中的運動方向。公開材料將其描述為對未來本體狀態、光流與視覺潛在表示的交錯監督。1

當然，這不保證模型已在所有摩擦、碰撞、遮擋或複雜接觸情境中具備嚴格的物理理解；但相較純粹影片重建，這確實提供了更直接的互動訓練訊號。

共享注意力：不是把條件塞一次就結束

LJM 還採用 Mixture-of-Transformers 形式的共享注意力，讓推理 token 與影片 token 在模型各層之間交換資訊，而非僅將固定條件向量單向傳給影片生成器。1

其設計意圖是維持持續的雙向協調：

• 互動推演為影片生成提供空間與運動限制；
• 影片表示中的情境資訊，也能參與更新互動表示。

這比一次性的條件注入更適合處理長流程互動。例如，物體的位置、遮擋關係或運動狀態在生成期間改變時，互動表示理論上可隨影片情境調整，而非停留在最初的靜態指令。公開資料說明了這項機制，但尚未提供足以量化其單獨效果的獨立消融結果。1

「32 張 GPU」代表什麼，又不代表什麼？

報導稱 LJM 在 DROID 預訓練與 RoboTwin 持續訓練中使用 32 張 Zhenwu 810E GPU。1 因此，較合理的解讀不是「高品質影片世界模型已經變得廉價」，而是這套架構可能降低了生成器必須從像素中自行挖掘互動結構的負擔。

效率主張的核心在於歸納偏置：把訓練資源導向有明確交互意義的潛在表示，以及能從資料觀測到的物理約束，而非要求一個單體影片模型同時學會控制、空間結構、物體動態與視覺品質。

不過，GPU 數量本身無法直接比較總訓練運算量。訓練時長、資料規模、解析度、模型參數、平行效率與不同訓練階段都會影響總成本。因此，現有資料不足以嚴格計算 LJM 相對其他系統到底節省多少算力。

公司與團隊：已知資訊有限

公開報導指出，Muka Robotics 於 2026 年 4 月成立，聚焦真實物理世界的機器人世界模型；香港科技大學博士池曉威被列為創辦人，並據稱擔任公司法定代表人與實際控制人。38 另有報導稱他是共同創辦人兼 CEO。18

至於完整團隊過去來自哪些公司、實驗室或研究機構，所提供材料未有足夠可靠且一致的細節可供確認。因此，較穩妥的說法是：池曉威的港科大博士背景有公開報導支持，但不宜據此延伸推論整個團隊的履歷。1838

結論：值得注意的是方法，而不只是名次

SisyphusWorld 的榜單表現顯示，機器人世界模型或許可以走出另一條路：不只追求影片的擬真度，也把「動作造成的互動後果」明確編入模型，再讓它和影片生成緊密協作。

但排行榜第二名不能單獨證明「明確物理推理」已普遍勝過擴大模型規模，更不能證實 LJM 在所有機器人本體、資料分布與真實閉環控制場景皆占優勢。下一步仍需要更完整的公開技術報告，包括物理監督項、共享注意力與雙專家分工的消融實驗，以及跨資料集、跨機器人與真實部署測試。

現階段最合理的結論是：LJM 提出一個具說服力的工程假設——把互動推演與視覺生成聯合訓練、但不混為一談，或許能以更集中的運算投入，同時改善物理一致性與視覺品質。 1

成績亮點：重點不只是「用了 32 張 GPU」

Muka Robotics 的 LJM（Latent Joint-conditional Model）受到關注，並不是因為它已證明小型算力必然勝過大規模訓練，而是它採取了不同的工作分配：先推演動作會對物理世界造成什麼影響，再把結果生成為連貫影片。

依公開報導，Muka 以匿名代號 SisyphusWorld 提交模型，在 WorldArena 公開榜取得 73.06 EWMScore_P、排名第二，僅次於小米 UNIS 的 73.64。報導列出的分項成績包括 89.17 Motion Quality、92.60 3D Accuracy、85.93 Controllability，並稱訓練使用了 32 張 Zhenwu 810E GPU。1

這份成績支持一個值得持續驗證的方向：機器人世界模型未必只能靠擴大影片模型規模，也能將「互動後果」當成明確的學習對象。不過，目前可見證據主要來自公開榜單與媒體報導，尚不能取代完整、獨立的復現與消融實驗。

傳統做法的難題：動作數字不等於物理理解

常見的動作條件式影片擴散模型，會把機器人動作當作低維條件輸入影片生成網路。這能讓生成畫面隨動作改變，但模型仍得從影片或像素層級的訓練目標中，自行摸索那些動作數值的含義：

• 機械臂是否碰到物體？
• 夾爪是否真的抓住物體？
• 物體接下來會往哪裡移動？
• 遮擋、空間位置與運動方向能否維持一致？

LJM 想處理的正是這個問題。它不把動作只當成一次性的附加條件，而是先將語言指令、視覺歷史、當前錨點觀測與未來動作轉為可學習的「互動潛在表示」，再用這些表示限制未來影片的生成。1

換句話說，影片模型不再必須獨自扛下理解動作、預測交互與渲染畫面的全部工作。

雙專家架構：一個推演互動，一個生成影片

LJM 將系統分成兩個協同工作的專家：

• Latent Reasoning Expert（潛在推理專家）：以 Qwen3-VL-2B 為基礎，讀取指令、視覺序列、錨點觀測與規劃動作，輸出連續的 reasoning tokens。這裡的「推理」不是產生自然語言思考過程，而是在潛在空間預測機器人將抵達的狀態、場景可能出現的變化，以及動作引發的運動。1
• World Modeling Expert（世界建模專家）：以 Wan2.2-TI2V-5B Diffusion Transformer 為基礎，在 VAE 潛在空間生成未來影片，將前者產生的互動表示轉化為連續畫面。1

可將其理解成「互動腳本」加上「視覺渲染」：前者先交代機械臂、物體與空間關係接下來會如何改變；後者再把這份腳本呈現成可信的視覺未來。

這種分工提供了合理的效率解釋：若生成器不必完全從像素資料中間接發現接觸、抓取與位移等結構，算力便能更集中地用在互動表示、空間一致性與畫面品質上。但這仍是架構上的推論，不等同於已完成的因果證明。

三類物理預測約束，讓潛在表示不能只「看起來合理」

只加入潛在變數，不代表模型就真的理解物理。LJM 的另一項設計，是對潛在推理 token 加上三類可對應觀測資料的預測約束：

1. 末端執行器的三維位置：要求表示與機械臂末端的空間軌跡相符；
2. 場景物體的視覺動態：要求模型掌握被操作物體是否出現與動作一致的改變；
3. 光流方向：要求模型對影像中的運動方向負責。1

這些目標的用意是讓潛在表示不只服務於「生成一段看似合理的影片」，還必須描述機器人前往何處、哪些物體產生變化，以及畫面中的運動方向。公開材料將其描述為對未來本體狀態、光流與視覺潛在表示的交錯監督。1

當然，這不保證模型已在所有摩擦、碰撞、遮擋或複雜接觸情境中具備嚴格的物理理解；但相較純粹影片重建，這確實提供了更直接的互動訓練訊號。

共享注意力：不是把條件塞一次就結束

LJM 還採用 Mixture-of-Transformers 形式的共享注意力，讓推理 token 與影片 token 在模型各層之間交換資訊，而非僅將固定條件向量單向傳給影片生成器。1

其設計意圖是維持持續的雙向協調：

• 互動推演為影片生成提供空間與運動限制；
• 影片表示中的情境資訊，也能參與更新互動表示。

這比一次性的條件注入更適合處理長流程互動。例如，物體的位置、遮擋關係或運動狀態在生成期間改變時，互動表示理論上可隨影片情境調整，而非停留在最初的靜態指令。公開資料說明了這項機制，但尚未提供足以量化其單獨效果的獨立消融結果。1

「32 張 GPU」代表什麼，又不代表什麼？

報導稱 LJM 在 DROID 預訓練與 RoboTwin 持續訓練中使用 32 張 Zhenwu 810E GPU。1 因此，較合理的解讀不是「高品質影片世界模型已經變得廉價」，而是這套架構可能降低了生成器必須從像素中自行挖掘互動結構的負擔。

效率主張的核心在於歸納偏置：把訓練資源導向有明確交互意義的潛在表示，以及能從資料觀測到的物理約束，而非要求一個單體影片模型同時學會控制、空間結構、物體動態與視覺品質。

不過，GPU 數量本身無法直接比較總訓練運算量。訓練時長、資料規模、解析度、模型參數、平行效率與不同訓練階段都會影響總成本。因此，現有資料不足以嚴格計算 LJM 相對其他系統到底節省多少算力。

公司與團隊：已知資訊有限

公開報導指出，Muka Robotics 於 2026 年 4 月成立，聚焦真實物理世界的機器人世界模型；香港科技大學博士池曉威被列為創辦人，並據稱擔任公司法定代表人與實際控制人。38 另有報導稱他是共同創辦人兼 CEO。18

至於完整團隊過去來自哪些公司、實驗室或研究機構，所提供材料未有足夠可靠且一致的細節可供確認。因此，較穩妥的說法是：池曉威的港科大博士背景有公開報導支持，但不宜據此延伸推論整個團隊的履歷。1838

結論：值得注意的是方法，而不只是名次

SisyphusWorld 的榜單表現顯示，機器人世界模型或許可以走出另一條路：不只追求影片的擬真度，也把「動作造成的互動後果」明確編入模型，再讓它和影片生成緊密協作。

但排行榜第二名不能單獨證明「明確物理推理」已普遍勝過擴大模型規模，更不能證實 LJM 在所有機器人本體、資料分布與真實閉環控制場景皆占優勢。下一步仍需要更完整的公開技術報告，包括物理監督項、共享注意力與雙專家分工的消融實驗，以及跨資料集、跨機器人與真實部署測試。

現階段最合理的結論是：LJM 提出一個具說服力的工程假設——把互動推演與視覺生成聯合訓練、但不混為一談，或許能以更集中的運算投入，同時改善物理一致性與視覺品質。 1