昆仑行世界模型GeWu登顶WorldArena单项冠军，因果架构重塑具身智能基准

事件概述

在具身智能领域权威评测基准 WorldArena 2.0 的 Track 1 赛道中，昆仑行机器人（Kunlunx AI）研发的 昆仑世界模型 GeWu 取得突破性成绩。该模型从全球77支顶尖参赛团队中脱颖而出，以 69.58分 的成绩获得 图像质量（Image Quality）单项冠军，并以 65.91分 的综合得分位列 全球亚军。值得注意的是，GeWu 是本次评测中唯一在6大评估维度中有4项进入前4名的模型，显示出极强的综合竞争力。

WorldArena 由国际顶尖高校及科研机构联合共建，被视为具身世界模型的“国际竞技场”。Track 1 赛道重点考核模型的基础核心能力，特别是“看得准、猜得对、画面真实合理”以及物理因果关系的合理性。

核心信息：基于物理因果的架构创新

昆仑世界模型的设计哲学建立在“物理因果”这一第一性原理之上。研发团队认为，优秀的具身智能大脑不应仅停留在动作模仿或视觉渲染，而必须具备理解真实物理世界因果关系的能力，即能够预测“执行某动作后世界将如何变化”。

1. 三塔因果架构设计

有别于主流模型按“文本、视觉、动作”进行模态拆分的做法，GeWu 依据因果图中的角色语义，构建了三个参数独立的 Transformer 塔（Tower），并通过联合因果注意力机制（United Causal Attention）实施严格的单向可见性约束：

• Tower 1 (Intent/目的)：负责编码语言指令和场景理解，确定“要做什么”。
• Tower 2 (Intervention/干预)：负责建模动作序列，确定“怎么做”。
• Tower 3 (Consequence/响应)：负责生成未来视频帧，呈现“做了之后会发生什么”。

信息流控制逻辑：

• Tower 2 可参考 Tower 1，但不可见 Tower 3（决策时不偷看结果）。
• Tower 3 可同时参考 Tower 1 和 Tower 2（生成画面时需结合意图与动作）。

这种架构确保了行动决策独立于视觉后果，而视频渲染则严格遵循动作轨迹，从而避免生成违背物理规律的画面。

2. 关键性能验证

• 消融实验证明必要性：一旦切断任意一条因果通路，模型会从“因果仿真”退化为“默写模式”，导致物体在无对应动作下自行运动等物理违规现象。例如在“挂杯子”任务中，切断动作与视频的因果联系会导致杯子位置不合理；而在终版模型中，由于 Tower 3 同时接收文本和动作输入，生成的视频严格遵循物理轨迹。
• 交互质量高分：得益于因果架构，GeWu 在核心维度 交互质量（Interaction Quality） 上取得了 82.40 的高分，确保物体严格遵循末端夹爪操作，接触后的行为符合物理规律。

3. 长时序生成与多任务支持

• 仿生记忆采样策略：针对长时序视频生成中的上下文缺失问题，模型模仿人类记忆衰减规律，近端帧高密度保留以维持运动连续性，远端帧稀疏采样以保留全局进度。配合绝对时序位置编码和帧率自适应放缩，有效解决了物体凭空消失、形变及背景噪点累积问题。
• 统一推理框架：借鉴 UniDiffuser 思想，通过调整噪声参数，同一套架构可在世界模拟、策略推理、联合预测等模式间灵活切换。采用异步调度策略，确保动作塔去噪进度领先于视频塔，提供干净可靠的动作信息。

值得关注

昆仑世界模型 GeWu 的成功表明，将归纳偏置对齐至物理世界的因果结构，不仅能提升评估指标，还能同步改善训练效率和泛化能力。目前，该模型已应用于行为规划和仿真强化研究，旨在推动具身智能从视觉渲染器向真正的物理智能基座进化。