无界动力发布全球首个长时序双向物理因果链隐空间世界模型MWA

具身智能初创公司无界动力（Wujie Dongli）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™（具身通用大脑）。该模型采用“双向动力学”架构，在统一隐空间内进行推演，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，从底层范式上解决了机器人多场景泛化与高精度执行难题。

技术路线：隐空间世界模型 + 强化学习

无界动力选择“隐空间世界模型 + 强化学习”路线，区别于主流的VLA（视觉-语言-动作）模型。VLA模型依赖模仿学习，缺乏对物理因果关系的理解，泛化能力有限。MWA通过隐空间世界模型建立“世界观”，让机器人认知物理规律与因果关系；强化学习则塑造“价值观”，通过试错与奖励反馈将理解转化为精准执行策略。

核心创新：潜动作与长时序双向因果链

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将画面变化转化为高维向量，摆脱了对人工动作标签的依赖，可直接利用互联网海量无标签视频进行预训练。模型采用“双向动力学”架构：逆动力学负责“由果推因”，正动力学负责“由因及果”，并通过“正逆互审机制”反复校验，提升因果推理精度。

在此基础上，MWA首创“长时序双向物理因果链”，打破传统单步瞬时推理的局限，实现时序Chunk级逆向动力学建模，能够从10秒以上的视觉序列中批量输出连续多步潜动作块（Latent Action Chunk），大幅减弱误差累积的“雪球效应”。

榜单成绩与融资情况

在斯坦福大学等机构联合发起的RoboCasa GR1 TableTop榜单中，MWA以75.2%的平均任务成功率拿下全球第一，超越英伟达GR00T-N1.6等模型。公司此前已完成超2亿美元天使轮融资，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。

负样本数据体系AnyPhys for RL

针对行业数据集“重正轻负”的问题，无界动力首创AnyPhys负样本核心数据体系，将深层负样本、边界失稳样本、次优样本与正样本交织，构建高信息稠密性的物理边界坐标系，补齐强化学习稠密训练所需的样本维度，提升模型在真实工况中的抗干扰能力。