据IPO早知道消息，跨维智能（DexForce）于10月12日发布全球首个机器人任务原生3D世界模型UNITAS（A 3D-Native World Action Model for Embodied Manipulation），探索为Physical AI建立统一表示空间的新路径。
UNITAS提出的核心观点是：只有让模型原生理解三维物理世界，世界模型才真正接近“世界”本身。
让机器人在三维世界里
理解“动作”与“变化”
在UNITAS探索的3D原生的思路中，核心变化在于：它不再让模型从二维视觉中推断三维世界，而是直接让模型在三维物理空间中学习世界，简而言之，“世界”模型直接作用在统一坐标系下的三维Token上，而不通过图片Token作为桥梁。
▲ UNITAS 总览。(a) 多本体数据：仿真、真机、人类双手；(b) 一个世界坐标接口：动作流与场景流在同一坐标系中联合建模；(c) 以 1.7B 参数在多项基准上领先（来源：UNITAS 论文 Figure 1）
UNITAS的主干模型直接处理三维Token，将三维空间作为机器人观察、行动和理解环境变化的共同表示：
观察（Observation）对应环境中物体的三维位置关系；
动作（Action Flow）对应机器人末端执行器或人手等操作端的运动轨迹；
场景变化（Scene Flow）对应物体受到动作影响后产生的运动变化。
例如，机器人执行“拿起杯子”任务时，模型不仅需要知道杯子在哪里、机械臂应该如何移动，也需要理解夹爪靠近、抓取、抬起过程中，杯子的位置如何变化，以及整个场景将如何响应。
UNITAS用三维点的轨迹描述这个过程：
动作流（Action Flow）：人手或机器人夹爪上的点如何随时间移动。
场景流（Scene Flow）：以这些点为条件，杯子等场景中的点如何移动。
在UNITAS中，这些过程不再被拆分成多个独立问题，而是在同一个三维坐标系中进行联合建模。因此，模型既能够根据任务目标生成可执行动作，也能够根据动作预测未来的世界变化。
论文中的消融实验进一步显示，引入场景流监督后，机器人动作策略性能仍然获得提升。这说明，对世界变化规律的理解，能够帮助机器人做出更准确的动作决策。
从人手、夹爪再到机器人：
让机器人经验成为同一种“语言”
另一方面，对于机器人而言，获得泛化能力的另一关键挑战，是如何利用来自不同来源的经验。现实中，机器人数据高度分散：有的来自仿真，有的来自真机采集，有的来自人类操作示范。同时，不同机器人机械结构与控制方式各异，同一任务在不同设备上的表现形式也不相同。如果没有统一表示，这些经验很难被同一个模型有效吸收。
UNITAS 尝试解决的正是这一问题，从硬件形态看，人手与机器人完全不同；但从运动规律看，它们都可以被描述为：某些关键点在三维空间中如何随时间变化。因此，在UNITAS表示体系中，人手、机器人夹爪以及仿真环境中的操作端，都可以被转换为三维空间中的点轨迹，不同来源的数据拥有了共同表达方式——仿真操作数据、真机采集数据与人类双手完成任务的数据，都可以进入同一个三维空间进行学习。
▲ 跨数据源的共享点流表示：仿真、真实机器人、人类双手，在 UNITAS 内部都是同一坐标系中的点轨迹；右图显示混合数据训练持续降低末端执行器误差（来源：UNITAS 论文 Figure 3）
论文中，UNITAS 将九个数据来源进行混合预训练，再针对具体任务微调。在 LIBERO-Plus 测试中，混合预训练使整体成功率提升 2.6 个百分点；面对机器人初始状态扰动时，任务成功率从 84.8% 提升至 94.2%。这验证了一个重要方向：当不同来源的物理经验能够被统一表达，机器人学习就有机会突破单一数据源限制。
凭1.7B参数跑赢8B模型
UNITAS全球多项评测领先
在具身智能领域，模型能力的竞争，最终要回到可比较的评测结果。
UNITAS已在多项机器人操作评测中展现出“屠榜”实力：仅凭1.7B（17亿）参数，超越参数规模达6B（60亿）的Fast-WAM、8B（80亿）的Motus，以及π0.5、LingBot-VA、PointWorld等模型，在多项基准测试中全面夺冠，进一步在真实机器人操作执行上同样表现突出，任务平均成功率达到 85%！
99.8%——LIBERO平均成功率达到SOTA。长程任务子集LIBERO-Long也达到99.4%，在需要连续完成多步操作的任务中保持高成功率。
92.9% / 93.0%——RoboTwin 2.0双臂操作成功率。分别对应Clean和Randomized设置，超过Fast-WAM（6B）和Motus（8B）等参数规模更大的视频世界动作模型。
89.1%——LIBERO-Plus整体成功率。面对相机视角、机器人初始状态等七类扰动，模型依然保持较强的任务完成能力。其中，机器人初始状态扰动下的成功率达到94.2%，展现出对物理条件变化的适应能力。
0.427厘米——场景运动预测误差降低约35%。在RoboTwin仿真测试中，运动点平均轨迹误差由PointWorld的0.656厘米降至0.427厘米，误差不超过1厘米的预测准确率达到92.31%，四项场景预测指标全部领先。这检验的是模型对“动作之后，物体会怎样运动”的预测能力。
▲ RoboTwin 动作条件场景预测：UNITAS 在全部四项指标上领先，Moving ADE 从 0.656 cm 降至 0.427 cm（来源：UNITAS 论文 Table 4）
真实机器人测试则进一步检验UNITAS在实际物理环境中的执行效果。
在论文报告的真实任务中，UNITAS平均成功率达到85%，其中在Organize Books（整理书本上架）上达到 90% 成功率，在 Pack the Ball（装球并拉上拉链）上达到 80%。
综合来看，UNITAS的成绩并非某一项指标的突破，而是体现了标准操作、双臂协作、扰动适应、场景运动预测和真实机器人执行等多方面综合实力。
更值得关注的是，UNITAS仅有1.7B参数，却在多个指标和表现上均超过参数规模更大的对比模型。 这说明UNITAS的价值不仅仅停留于“3D原生”的技术理念，它已经将机器人操作能力带到了真实物理环境中，为机器人从多源学习提供了真正行之有效的路径。
从统一表示到数据飞轮：
跨维探索Physical AI落地路径
UNITAS解决的是机器人学习中的一个关键问题：如何让来自不同来源的物理经验拥有统一表达方式。而要推动机器人真正走向更广泛的真实世界，仅有统一表示还不够，还需要持续增长的高质量物理经验。
从2021年成立以来，跨维持续建设生成式世界模型和具身智能基础设施。跨维自研的DexVerse®生成式仿真引擎，能够根据语言、图像等多模态输入生成三维场景，并结合物理仿真与传感器模拟，构建机器人理解和交互所需的虚拟世界。EmbodiChain具身智能工具链则进一步连接场景生成、数据扩增、模型训练与部署流程，让机器人能够在更加丰富、多样的环境中持续积累经验。
随着UNITAS 3D原生技术路线的发展，仿真在Physical AI技术链条中的价值也正在被重新定义。它不再只是补充真实数据，而是成为生成和组织物理经验的重要环节。真实环境中，机器人难以完整记录每一次交互背后的运动过程与环境响应，而在生成式仿真环境中，这些物理变化可以被计算、生成并用于模型学习，为机器人理解动作与世界变化之间的关系提供更加丰富的经验来源。
UNITAS与跨维生成式仿真体系的结合，正在形成“仿真生成—模型学习—真实验证—数据回流”的Physical AI数据闭环，让机器人经验能够跨视角、跨本体、跨场景迁移，并探索Physical Token经济学所关注的核心方向：不断降低机器人获得下一项能力的成本。
论文也展示了这一方向的潜力：UNITAS的场景流监督主要来自仿真数据，但在DROID、RH20T等真实世界观测数据上，仅根据夹爪运动轨迹，模型依然能够预测合理的场景变化。这说明，通过统一的三维物理表示，机器人正在具备从虚拟经验迁移到真实环境的能力。
▲ 零样本迁移：UNITAS 在真实世界画面上直接预测场景流——模型没有见过这些真实场景的三维监督，依然能预测"动作之后世界怎样变化"（来源：UNITAS 论文 Figure 11）
从生成式仿真引擎，到具身智能模型，再到真实场景应用，跨维持续探索Physical AI的发展路径。
未来，跨维愿与全球开发者、产业伙伴携手，让机器人真正理解物理世界，并在持续学习与进化中走向更广泛的应用，推动具身智能成为下一代生产力的重要组成部分，让机器人逐步走进更多生产与生活场景，服务千行百业，创造更广泛的价值。
奕斯伟计算｜本末科技｜梅卡曼德 他山科技｜同心医疗｜九章云极 帕西尼｜微亿智造｜海柔创新
