维度网讯，中国具身智能企业无界动力6月29日正式发布MWA™具身通用大脑，该模型定位为“长时序双向物理因果链”隐空间世界模型。在RoboCasa GR1 TableTop具身智能评测中，无界动力与中国科学院自动化所联合发布的MWA™-WALA以75.2%的平均任务成功率获得全球第一，并超越英伟达GR00T-N1.6、大晓机器人ACE-EGO-0、小鹏DIAL、高德ABot-M0等模型。此次发布把无界动力此前主打的“隐空间世界模型+强化学习”路线进一步推向长周期、多步骤、高精度操作任务。

世界模型的作用，是让机器人在执行动作前先理解环境变化和动作后果。对具身智能来说，模型不仅要“看见”物体，还要判断物体会怎样移动、碰撞、滑落、受力和稳定。

MWA™的核心变化在于把物理因果关系放入隐空间建模。传统机器人模型常依赖视觉、语言和动作之间的直接映射，短任务中可以完成抓取、放置、开关等动作，但在长周期作业中容易出现前后动作断裂、路径漂移、力度不稳和目标状态判断失误。MWA™采用时序Chunk级逆向动力学建模机制，输出连续多步Latent Action Chunk动作组，让机器人不再只生成单步动作，而是围绕一段任务过程建立连续动作链。这样一来，机器人在完成多步骤操作时，可以把“当前动作”“下一步状态”和“最终任务目标”放在同一个时序框架内处理。

AnyPhys负样本核心数据体系，则用于补足机器人对失败边界的理解。具身智能训练不能只依靠成功示范，真实作业中更常见的是打滑、磕碰、抓偏、姿态失稳、物体飞溅和受限空间误操作。MWA™通过大量失败、失稳和临界边界样本，反向推演不同工况下的物理稳定域，让机器人在生成动作时避开高风险路径。对工业和商业服务场景来说，这类能力比单纯提高演示效果更关键，因为机器人需要在长时间运行中保持稳定、安全和可复现。

RoboCasa GR1 TableTop主要考验机器人在桌面任务中的泛化能力。复杂物体、非标准场景、光影变化和杂物干扰，会放大模型对空间理解、动作连续性和任务规划能力的差异。

75.2%的平均任务成功率，说明MWA™在多步骤连贯操作、受限空间取物和零散物件精准拾取等任务上取得了较高表现。RoboCasa类仿真环境的价值在于，它可以在大量厨房、桌面和物体交互任务中测试机器人策略，而不是只考察单一抓取动作。MWA™此次登顶，意味着隐空间世界模型路线在仿真评测中具备较强竞争力，也为后续真实机器人部署提供了新的算法验证基础。RoboCasa官方说明显示，其基准用于比较通用机器人策略，任务覆盖日常环境中的多类操作，并关注多任务学习和泛化评估。

这项发布也延续了无界动力近期的技术和商业节奏。无界动力此前已完成超2亿美元天使轮融资，并围绕“隐空间世界模型+强化学习”构建具身通用大脑MWA™;公司第二代机器人K15已进入批量投产阶段，应用方向覆盖工业制造、商业服务等场景。对无界动力来说，模型榜单成绩只是技术入口，真正的考验在于MWA™能否进入真实工厂、商业空间和长周期移动操作任务中，承受产线节拍、开放环境、安全约束和多任务切换带来的工程压力。

具身智能正在从“能演示”走向“能长期稳定作业”。MWA™如果能把仿真中的长时序动作能力迁移到真实机器人本体，将有助于提升机器人在装配、分拣、取放、服务、巡检和复杂空间操作中的可靠性。对整个行业而言，这类模型竞争已经不只是语言理解或视觉识别能力的竞争，而是物理世界建模、动作连续性、失败样本学习和真实场景闭环迭代能力的竞争。无界动力此次发布MWA™，也让隐空间世界模型成为具身智能通用大脑路线中的一个重要技术分支。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com