跨維智能（DexForce）發佈全球首個機器人任務原生 3D 世界模型 UNITAS

10月13日消息，10月12日，跨维智能（DexForce）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。

那如何让机器人在三维世界里理解“动作”与“变化”？机器人真正进入物理世界，面对的不只是“如何行动”的问题，也包括“行动之后世界会如何变化”。

传统机器人策略模型关注的是：机器人下一步应该执行什么动作；而世界模型关注的是：执行这个动作后，环境会发生怎样的变化。过去，这两个问题通常被作为不同任务分别建模，但从真实物理过程来看，二者本质上是一件事。

当机器人伸手拿起一个杯子时，机械臂移动是动作，杯子离开桌面并发生位移是结果，两者共同构成了一次完整的物理交互过程。机器人如果只学习“怎么动”，却不了解动作会如何影响世界，就很难真正理解物理规律。

UNITAS提出的核心思路，正是将观察、行动和世界变化统一到同一个三维物理空间中建模。

也许你会好奇，机器人领域已经有不少方法引入了三维信息。而UNITAS的“3D原生”（3D-Native）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。

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。

UNITAS已在多项机器人操作评测中展现出了实力：仅凭1.7B（17亿）参数，在LIBERO上取得99.8%的平均成功率、在LIBERO-Plus上达到89.1%，并在RoboTwin 2.0双臂操作的Clean与Randomized设置中分别取得92.94%和93.04%的成功率，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%。