具身智慧領域權威評測WorldArena 2.0 Track 1近日公佈最新成績，崑崙行機器人研發的崑崙世界模型GeWu以69.58分斬獲影像質量（Image Quality）單項冠軍，並以65.91的綜合得分獲得全球榜單亞軍。該模型在物理一致性（Physics Adherence）、可控性（Controllability）等多項關鍵能力維度上實現大幅領先，是本次77支參賽模型中唯一一個在6大評測維度中，獲得其中4項前4名次的模型，展現出較強的綜合能力。
WorldArena由國際頂尖高校及科研機構聯合共建，是世界模型賽道的權威評測基準。WorldArena 2.0在1.0的基礎上構建了更全面的基準，從模態、功能、平台三大關鍵維度擴充套件具身世界模型評估。本次評測的Track 1賽道聚焦具身智慧模型的基礎核心能力，重點考核模型“看得準、猜得對、畫面真實合理”的核心素養，突出模型在物理因果上的合理性。該賽道吸引了全球幾乎所有頂尖世界模型研發團隊同台競技，被譽為具身世界模型的“國際競技場和權威試金石”。
崑崙世界模型是崑崙行機器人研發的第一代世界模型，初次亮相即取得全面領先。據崑崙行介紹，其架構設計遵循“物理因果”第一性原理，不按模態拆分，而是按因果圖中的角色語義，將模型拆為三座引數獨立的Transformer塔：Tower 1負責Intent（目的），以自迴歸方式編碼語言指令和場景理解；Tower 2負責Intervention（干預），以flow matching範式建模動作序列；Tower 3負責Consequence（響應），同樣基於flow matching生成未來影片幀。三座塔共享decoder基礎結構，但每層擁有獨立的投影矩陣、前饋網路和歸一化引數。
這一架構的關鍵在於塔間的資訊流控制。崑崙世界模型通過聯合因果注意力機制（United Causal Attention），在三塔之間施加嚴格的單向可見性約束：Tower 2可以看到Tower 1但不能看到Tower 3；Tower 3可以同時看到Tower 1和Tower 2。這意味著“行動決策”可以參考“任務目的”，但不能偷看“尚未發生的視覺後果”；而“影片渲染”需要同時知道“要做什麼”和“怎麼做”，才能生成物理因果上合理的畫面。
消融實驗印證了這一設計的必要性：一旦切斷其中任意一條注意力通路，模型便會迅速從“因果模擬”退化為“默寫模式”——它不再依據具體動作推演物理後果，而是直接將任務描述對映到訓練集中最相似的影片片段，產生違揹物理規律的畫面。這一退化在評估模型物理合理性的核心維度互動質量（Interaction Quality）上表現得尤為明顯。崑崙世界模型在該維度上取得了82.40的高分，正是因果架構發揮作用的直接體現。
三塔架構還天然支援多工的統一推理。借鑑UniDiffuser的思想，通過調整各塔的噪聲引數，同一套架構和權重即可在世界模擬、策略推理、聯合預測等多種模式之間靈活切換。當動作塔和影片塔同時處於生成狀態時，崑崙世界模型採用非同步排程策略，讓動作塔的去噪進度始終領先於影片塔，確保影片生成看到的動作資訊始終更乾淨、更可靠。
面對長時序影片生成的需求，崑崙行研發團隊設計了Chunk-wise自迴歸方案：長影片被拆分為多個片段逐段生成，核心挑戰在於後續片段的上下文缺失。為此，崑崙世界模型引入了仿生記憶取樣策略——模仿人類記憶的衰減規律，近端幀高密度保留以維持運動連續性，遠端幀稀疏取樣以保留任務全域性進度。配合絕對時序位置編碼和幀率自適應放縮機制，模型在所有生成階段都能準確感知物理時間位置，並靈活控制動作節奏。
崑崙行機器人的模型研發負責人郝志會博士表示，在研發過程中，團隊反覆驗證了一個核心判斷：世界模型的架構設計應當尊重物理世界的因果結構。“目的驅動行動，行動產生結果”這條因果鏈不僅是人類理解物理世界的基本框架，也應當成為模型架構的第一性原理。當歸納偏置對齊問題本質時，團隊不僅看到了指標的提升，也看到了訓練效率和泛化能力的同步改善。
崑崙世界模型是崑崙行沿這一技術方向邁出的第一步。接下來，研發團隊將在更復雜的任務場景中持續驗證和擴充套件模型能力，並將崑崙世界模型應用於行為規劃和模擬強化，推動世界模型從視覺渲染器進化為真正的物理智慧基座。
崑崙行（Kunlunx AI）致力於打造面向物理世界的通用AI機器人，堅持“本體+大腦”雙輪驅動戰略，構建通用AI機器人本體、資料、小腦、大腦、智慧體五位一體的全棧核心技術自研體系。公司認為物理因果是具身智慧的第一性原理，並以此為核心打造崑崙世界模型（KWM），推動物理AI從實驗室走向真實場景的規模化應用。