全球首个隐空间世界模型MWA发布，登顶具身智能权威榜单

无界动力（Boundless Dynamics）于近日正式发布全球首个“长时序双向物理因果链”隐空间世界模型——MWA™。该模型采用“双向动力学”架构，在统一共享的隐空间内进行推演，并首创时序Chunk级逆向动力学建模，能够稳定规划10秒以上的长周期连续动作序列。在由斯坦福大学等机构联合发起的RoboCasa GR1 TableTop榜单中，MWA以75.2%的平均任务成功率登顶全球第一，超越英伟达GR00T-N1.6等主流模型。

技术路线：隐空间世界模型 + 强化学习

无界动力选择了一条区别于主流VLA（视觉-语言-动作）路线的技术方案。传统VLA模型依赖模仿学习，对光照、物体位置等环境变化敏感，泛化能力不足。MWA则通过隐空间世界模型建立对物理因果关系的认知，再结合强化学习将理解转化为精准执行策略。

• 潜动作自监督预训练：MWA以“潜动作（Latent Action）”作为物理因果的载体，通过逆动力学编码器从前后画面变化中自主提取通用的场景交互表征，无需人工动作标签，从而能够利用互联网上海量的无标注视频进行训练。
• 双向动力学架构：模型同时运行逆动力学（由果推因）和正动力学（由因及果）两条推理线，并引入“正逆互审机制”进行因果对齐，提升推理精度。
• 长时序Chunk级建模：打破传统单步推理局限，直接从10秒以上的视觉序列中批量输出连续多步的潜动作块（Latent Action Chunk），大幅减弱误差累积的“雪球效应”。

关键创新：三重梯度约束与负样本数据体系

在推理阶段，MWA通过三重梯度约束在隐空间内构建确定性策略边界：正动力学预判未来环境变化并修正偏差；策略输出与冻结的逆动力学编码器对齐；将隐空间中的潜动作映射为硬件可执行的控制序列。

此外，无界动力首创AnyPhys负样本核心数据体系，针对行业数据集“重正轻负”的问题，将深层负样本、边界失稳样本、次优样本与正样本交织，为强化学习提供稠密奖励训练所需的完整样本维度。

融资与市场表现

无界动力此前已完成超2亿美元的天使轮融资，Pre-A轮近2亿美元融资接近尾声，投资方包括红杉中国、线性资本、京东关联基金等。公司创始人兼CEO张玉峰表示，具身大脑的终极目标是让机器人拥有类人的世界认知建模能力，而非完整复刻客观世界。