训练机器人，离不开海量 3D 数据。

但互联网上现成的 3D 模型，大多只有 "好看的皮囊"。

视觉真实≠物理可交互。外观逼真，却缺少关键物理信息，没法直接用于机器人训练。

为破解这一难题，群核科技联合浙江大学推出 UniPhysGen 模型：面向已有 3D 资产补全物理语义，让资产从 "视觉真实" 走向 "物理可交互"。

群核科技联合浙江大学发布 UniPhysGen 模型论文

目前，UniPhysGen 模型及配套数据资源 UniPhys-40K、UniPhys-Bench 已同步上线于技术开源平台 Hugging Face 和 GitHub。

开放仅一周，UniPhys-40K 下载量将近 2 万次，UniPhys-Bench 更登上 Hugging Face 首页。

UniPhys-Bench 登上 Hugging Face 首页

UniPhysGen 是什么？

UniPhysGen 是群核科技首个面向已有 3D 资产、执行统一物理属性推理的开源模型。

它能联合学习并推理 3D 资产的铰接语义与内在物理属性，打通了一条规模化生成高质量物理语义资产的新管线，显著缓解物理 AI 的数据瓶颈。

听起来有点抽象？那我们举个例子。

机器人如何在仿真环境中学会 "拉抽屉"

一个抽屉的 3D 资产：木纹可以逼真、把手可以精细、外形可以完整 —— 看起来无懈可击。

但要让机器人在仿真环境里真正 "上手" 拉动它，还得回答一连串问题：

抽屉沿哪个方向滑动？最多能拉出多远？
把手、面板和抽屉盒，是不是一起动？
质量和接触摩擦，又该怎么设置？

这些信息，决定了仿真环境如何描述物体的运动和接触行为。

缺了它们，再精致的模型，也只是一个 "只能看、不能动" 的手办。

而 UniPhysGen 要做的，正是给这些 3D 资产补上物理信息：

让它们真正进入仿真环境、用于机器人训练，让机器人更好地理解物理世界。

怎么给 3D 资产补充物理信息？

批量补全不同格式的 3D 资产

把已有 3D 资产用于机器人仿真训练，首先要面对一个现实问题：

不同来源的模型，在部件划分、结构层级和几何完整性上往往存在差异。

以抽屉为例：把手、面板和抽屉盒，既可以分别建模，也可以合并为不同粒度的组件。

这意味着，物理推理方法必须适应多样的部件组织方式 ——

一旦依赖某种特定的部件划分，就可能在处理不同来源的资产时出现判断偏差，还会增加人工整理结构、修正参数的工作量。

针对这一问题，UniPhysGen 以物体及部件的 3D 几何为输入，面向异构部件划分开展物理语义推理：

无需预设统一的对象层级模板，即可支持批量推理，为已有资产补充运动与物理信息。

结合资产拆分、参数配置与一致性验证等流程，还能把部分重复加工工作纳入自动化处理，为扩大可交互资产的供给开辟一条路径。

批量推理异构 3D 资产的物理信息

统一建模运动关系与物理属性

一个可用于交互仿真的 3D 物体，需要同时具备运动描述与物理属性描述。

仍以抽屉为例：滑动方向与行程决定它的运动范围，把手、面板和抽屉盒之间的联动关系决定哪些部件共同运动，而质量、密度和摩擦等属性，则参与描述物体的动力学与接触行为。

UniPhysGen 通过物理语义对齐，将局部部件几何、整体对象上下文与功能及物理信息关联起来，在统一框架下覆盖四类结构化推理任务：

部件物理属性：推断部件语义、材料、密度、摩擦等信息。
关节运动参数：推断关节类型、运动轴、支点及运动范围。
部件联动关系：识别与目标部件共同运动的组件集合。
物体整体属性：估计对象的真实尺度与质量。

由此，UniPhysGen 将运动参数、部件联动与物理属性纳入统一推理框架，为 3D 资产提供从部件到整体的物理描述，支持更完整的仿真交互配置。

统一建模运动关系与物理属性

数据体系是怎么搭建的？

多样资产上的物理推理，离不开相应的训练数据与评测机制。

围绕这一需求，研究团队构建了 UniPhys 数据体系，覆盖物理标注生成、模型训练与能力评估三大环节。

用于模型训练的数据集 UniPhys-40K，包含 40014 个对象、覆盖 84 类对象，提供约 37 万个经过筛选的训练部件。

数据涵盖不同材质、尺度、质量与结构复杂度，为模型学习多样资产中几何、运动与物理语义的关联提供支撑。

用于评测的 UniPhys-Bench 则包含 1927 个异构铰接对象、约 5500 个运动相关组件。

研究团队对关节参数、部件联动关系及物理属性合理性进行了人工核验，为模型评估提供参考标注。

除评测数据外，项目还公开了配套的评测流程与工具：覆盖关节类型准确率、运动轴误差、运动范围重合度、部件联动关系，以及材料、密度、摩擦、尺度、质量等属性的预测表现，支持研究者按一致协议复现结果、比较方法。

UniPhys-Bench 数据样例展示

这些数据集均由自动化流程 UniPhys Pipeline 生成。它将原始资产的部件拆分、物理属性推断、运动关系推断与一致性验证组织成一条流水线，产出用于后续训练与评估的结构化物理标注。

这一数据体系的价值在于：既为模型提供多样化的物理语义学习基础，也让模型能力可以被系统地检验与比较，为模型改进、泛化能力研究与仿真应用评估提供依据。

正是在这套数据体系上，UniPhysGen 学会了把物理语义泛化到更多新资产。

训练数据集 UniPhys-40K 与评测基准 UniPhys-Bench

未来，UniPhysGen 将接入群核科技旗下物理数据引擎 SpatialVerse 的管线，把部分重复配置工作纳入自动化流程，规模化补充可用于仿真训练的 3D 资产供给，为机器人交互仿真夯实资产基础。

机器人仿真训练

大模型让 AI 读懂了语言，空间智能让 AI 看懂了三维世界，而物理 AI，要让 AI 真正理解世界。

当越来越多的 3D 资产拥有自己的 "物理说明书"，机器人学到的就不再只是世界的 "样子"，而是世界的 "规则"。

物理 AGI 的愿景，也会更进一步。

（来源：群核科技）