6 月 29 日，无界动力正式发布全球首款具备长时序双向物理因果链能力的隐空间世界模型 MWA™具身通用大脑。该模型联合中科院自动化所打造的 MWA™-WALA 版本，在斯坦福等机构联合推出的权威具身测评榜单 RoboCasa GR1 TableTop 拿下全球第一，平均任务成功率 75.2%，刷新行业纪录，性能超越英伟达 GR00T-N1.6、小鹏 DIAL、大晓机器人 ACE-EGO-0 等多款主流模型。

行业主流 VLA 视觉语言动作模型依靠语义中介完成动作预测，容易受离散语义空间限制，在高动态、复杂工业场景中缺少完整物理规律认知，长时序作业误差累积、泛化能力存在明显天花板。无界动力选择隐空间世界模型搭配强化学习的双轮驱动路线，隐空间模型构建机器人认知物理规律、预判环境变化的 “世界观”，强化学习依托大量试错迭代形成稳定实操策略，塑造机器人行动决策的 “价值观”，完整打通从理解物理世界到落地精准操控的技术闭环。

研发团队基于第一性原理设计架构，放弃像素级画面完整复刻思路，借鉴人类大脑抽象认知逻辑，在高维隐空间提炼物理因果与通用常识，过滤无关像素冗余信息，降低算力消耗同时聚焦任务核心逻辑。MWA™创新采用双向动力学架构，搭建正向推演、逆向复盘协同机制，首创时序 Chunk 级逆向动力学建模，突破传统模型单步潜动作推理局限，可批量输出连续多段潜动作组，实现长时序任务连贯推演，从根源解决长周期操作动作脱节、误差持续放大的痛点。

双向动力学依靠潜动作向量作为物理因果载体，逆动力学编码器观测环境时序变化实现由果推因，从无标注原始视频中自主提炼通用物理交互表征，无需大量人工动作标签即可完成预训练，充分盘活海量公开无标注数据；预训练完成后编码器权重固定，作为统一物理评判标准；正动力学解码器完成未来场景正向沙盘推演，两者持续自监督校正预测偏差，保障机器人长期决策稳定可靠。整套架构采用 “先练脑、再练手” 两阶段训练模式，先用海量通用视频建立物理常识，再结合少量真机数据搭配强化学习，将抽象表征转化为机器人硬件控制指令，大幅降低真机数据依赖，适配规模化快速迭代。

针对行业数据集普遍正样本过剩、失效边界样本缺失的短板，无界动力同步推出行业首创 AnyPhys 负样本核心数据体系，融合失败轨迹、失稳临界样本、次优操作样本与标准正样本，搭建完整物理边界数据集。系统无需人工标注，自动区分各类样本并生成稠密奖励信号，依托空间距离、运动轨迹自动打分分类，适配离线模仿学习与在线强化学习双场景。在精密插接测试场景中，存在噪声干扰的条件下任务成功率最高提升 5 倍，平台现已积累数万条磕碰、打滑、装配失效等边界样本，完整覆盖工业、商业、家居场景，精准划定各类工况下机器人物理安全操作区间。

RoboCasa 测试基准包含杂乱厨房环境、多变光影、随机杂物干扰，是检验模型泛化能力的严苛仿真平台。MWA™-WALA 相较第二名模型任务成功率提升 2.4%，在多步骤连续操作、狭小空间取物、零散小件精准拾取等难点任务优势突出，充分验证无标签数据训练路线对提升通用泛化能力的价值。

依托 MWA™模型技术底座，无界动力第二代 K15 机器人已实现批量投产，技术方案落地多类真实产业场景。工业领域与头部车企、能源企业达成合作，模型适配高强度、长时连续精密作业，满足工业低容错生产标准；商业零售场景落地连锁咖啡品牌门店，机器人适配开放动态环境，自主完成多步骤服务操作；家庭场景中可自主应对繁杂日常物件，稳定完成多流程连续家务任务。

下一步，无界动力将持续优化 MWA™隐空间世界模型体系，联合全球产业链合作伙伴推进技术落地，依托双向因果建模、负样本数据体系等核心技术优势，持续拓展工业、商业、民生多元场景，推动通用具身大脑规模化产业应用。