Problem

目前具身智慧領域缺乏統一的世界模型，難以跨越機器人操作、自動駕駛及室內導航等異質場景，且不同硬體設備間的行動編碼標準不一，嚴重限制了模型的泛化能力與訓練資料的規模化。

Method

開發團隊採用 60 層 Double-Stream MMDiT 架構，將 Qwen2.5-VL 的語義資訊與影片 VAE 潛在空間深度耦合；同時建構包含 860 萬段影片的「具身世界知識 (EWK)」資料集，並透過「通用至專家」的漸進式課程訓練策略，將多樣化的行動指令映射至統一的語言介面。

Results

模型在 EWMBench 與 DreamGen Bench 榮獲全球第一，並於 WorldModelBench 和 PBench 領先所有開源模型。在 RoboTwin-IF 基準測試的零樣本分析中，亦展現出優異的跨場景泛化能力與多視角物理一致性。

Significance

該研究成功將語言定義為通用的行動介面，為合成資料生成、虛擬環境評估及下游規劃信號提供了標準化的擴充框架，顯著加速了跨領域通用具身智慧的發展進程。