特定本体微调。
因机器者真机数据太贵、太少，而互联网上虽有海量之视频，却只有画面，没有动作标签（Action Label）。
此就赋予之机器者一种甚像苍生之本领：不仅能看见（感知），还能于脑海里想象动作生后之前景画面（预测），从而反过来倒推今该做什么动作（决策）。
而红色之线（Motus）则为一路延续升。
将感知、预测与行动一统于智能体内部确实为实质性之进展。
由此，上至贵之真机数据，下至浩如烟海之互联网视频、苍生第一视角视频（Egocentric Video），Motus全皆能吃进去，从中提取通用之物理交互先验。
除此之外，基于数据金字塔与潜动作，Motus还构建之一套三阶段操练流程，逐步将通用之物理动力学常识“蒸馏”为精确之机器者控制本领： 于生数看来，视频天然承载之确凿全球之物理时空、因果逻辑与动态演化。
谭恒楷（Hengkai Tan）：清华大学计算机系TSAIL实验室三年级博士生。
△左：AC-One；右：Agilex-Aloha-2 目前，Motus已全量开源。
可说，Motus之现，率先于具身智能领域发觉之Scaling Law，直接复刻之当年GPT-2被定义为“无督察多差事修习者”之神迹。
此为互联网视频修习与现状全球机器者之间之巧妙津梁。
此外，团队成员还包括谢盛昊、王泽远、黄舒翮、刘海天等，均来自清华TSAIL实验室（朱军教授课题组）。
产学研协作于此里发挥之巨大之化学反应：生数于多模态大模型上之深厚积攒，加上清华团队之顶尖算法本领，才催生出之Motus此名大一统之全球模型。
主攻视频全球模型与具身大模型，曾获NOI银牌，于RDT、Vidar等多名重要课题中皆有他之身影。
使用宗旨机器者之真机数据对Motus进行整体微调，将模型随顺到特定场景下之下游差事，例如RoboTwin仿真与真机机械臂抓取。
也就为说，达到同样之水平，Motus只需别者十几分之一之数据量。
Cybernetics。研讨团队使用光流技艺（Optical Flow），捕捉视频里像素级之运动轨迹，然后提出之一种Delta Action机制，将此些像素之变化翻译成机器者之动作趋势。
Motus之Latent Action范式太妙之。
再如长程多步推演之孔明棋差事，Motus同样展现出之严密之逻辑闭环，一步步解开棋局： 它标志之机器者从“机械执行”向“端到端智能”之跨越，也推动之整名行业从单点突围走向一统基座。
熟悉生数科技之朋友皆知道，彼等刚成新一轮融资，而且始终持视频大模型为通往AGI之核心路径。
随之操练差事数量之增（横轴），蓝色之线（Pi-0.5）呈现降趋势。
于冻结VLM之情况下，用视频、言辞与潜动作同时预操练三名专家，将通用之运动先验充分地注入Motus中。
直播。研讨之实验结局表明：Scaling Law于物理全球里，真之跑通之。
因像VLA、全球模型、视频生成、逆动力学、视频-动作联手预测等模型，甚难有机地凑成一名整体。
https://github.com/thu-ml/Motus 虽没有者手把手教（没有真机数据标签），但机器者通过观察视频里高手之动作轨迹（光流），看多之自就懂之招式与发力方位（潜动作）。
视频地址：https://mp.weixin.qq.com/s/yiS0_RKr9DkTEzPx01NDAA 彼么接下来，吾等就来扒一扒此名大一统全球模型为如何实现之。
一名架构一统之五种范式 于仿真榜单RoboTwin 2.0上，于50名通用差事中，Motus之平均成率达到之88%： 但要操练此样一名全能模型，光于模型框架层面下功夫还为不够之——数据，也为一名老大难之疑难。
红色为Motus，蓝色为Pi-0.5 毕弘喆（Hongzhe Bi）：清华大学计算机系TSAIL实验室二年级硕士生。
感兴趣之小伙伴可围观一下啦~ 视频地址：https://mp.weixin.qq.com/s/yiS0_RKr9DkTEzPx01NDAA https://huggingface.co/motus-robotics https://motus-robotics.github.io/motus 但比单点成绩更让者惊艳之，为下面此张Scaling Curves（扩展曲线）。
国产开源具身全球模型，直接秒之Pi-0.5，而且还为几位清华硕、博士研讨生领衔推出之。
之故说为大一统，为因Motus于架构上，直接把VLA（视觉-言辞-动作）、全球模型、视频生成、逆动力学、视频-动作联手预测此五种具身智能范式，首次实现之“看-想-动”之完美闭环。
包括此前大火之英伟达Cosmos policy、DreamZero此些工，被认为为颠覆之VLA之范式，转向WA（World Action Models）或VA（Vision Action）范式；但其核心意念与Motus相近，大同小异。
再来看一名堪称为机器者噩梦之差事——叠衣裳： 而Motus最大之亮点，于一名框架内把此五种范式全包圆之。
此意味之旧俗之模型架构于面对多差事时，易生过拟合，学之新之忘之旧之。
视频生成预操练。
大一统背后之技艺，便为Mixture-of-Transformer（MoT）架构，配合Tri-model Joint Attention（三模态联手注意力）机制。
此前之基线模型于此名差事上之成率不到16%，可说为“帕金森级手抖”。
于过往，具身智能领域可说为散装之。
视频地址：https://mp.weixin.qq.com/s/yiS0_RKr9DkTEzPx01NDAA 课题主要负责者，为来自清华大学计算机系朱军教授TSAIL实验室之二年级硕士生毕弘喆与三年级博士生谭恒楷。
体谅专家（大脑）：基于Qwen-VL，负责看懂氛围与指令；视频生成专家（想象力）：基于Wan 2.2，负责推演前景画面；动作专家（小脑）：负责实在之运动控制。
他之研讨方位就为具身智能根基模型，此前还为CVPR2025 RoboTwin双臂机器者竞赛真机赛冠军。
此证验之：只要模型架构足够一统、数据来源足够杂，具身智能完全可像LLM一样，涌现出跨差事之通用泛化本领。
此就为由生数科技联手清华大学，正式开源之大一统全球模型——Motus。
今，Motus于具身智能领域复刻之此一神迹。
于Motus之加持之下，今之机器者已具备之预测前景之本领。
潜动作预操练。
于真机测试中，无论为AC-One还为Agilex-Aloha-2机械臂，Motus皆表现出之较好之随顺性。
此部电影之后劲，大到离谱。
而作为联手发布方之生数科技，此次开源Motus，也暴露之其于全球模型上之陈设。
甚多CTO、创始者们看完之后直呼“妙哉”： 格外为于高难度之Stack Bowls Three（叠三名碗） 差事中，稍微一点误差就会导致碗塔倒塌。
Motus于25年12月就全部开源并发布论文，早于行业2名月，而最近火热之基于视频模型之具身智能路线，生数科技与清华大学于2025年7月份就已发表Vidar具身视频模型，居先于行业半年之久。
为之处置此名疑难，Motus采取之计策便为潜动作（Latent Action）。
数据显示，Motus之数据效能比对手提升之13.55倍。
量子位 | 公众号 QbitAI Scaling Law于物理全球跑通之 https://arxiv.org/abs/2512.13030 此也正为GPT-2当年带给NLP领域之震撼——Language Models are Unsupervised Multitask Learners。
此正为吾等刚才提到之“看—想—动”闭环。
简来说，通过此种方式，Motus相当于把三名专家攒到之一起： △上图为数据量Scaling，下图为差事数量Scaling。
目前，Motus之代码、模型权重已全部开源（链接于文末）。
从视频中不难看出，面对形状不章法之曲面鼠标，Motus控制之机械臂不仅能精准识别，还能根据鼠标与屏幕点击框之距离，平稳连续地移动，最后极度精准地成点击。
瞧，Cloudflare者机验证差事，机器者可悠闲拿捏： 当土地被占领，当居室被摧毁，当命被剥夺。
Motus之现，正为此一方略之重要拼图。
最后，让吾等把目光投向此名大一统全球模型背后之团队。
通过Tri-model Joint Attention，此三位专家可于同一名注意力层里实时互换讯息。
使用多机器者轨迹与苍生操作视频来微调视频生成专家，使其能根据机缘帧与言辞指令生成合理之机器者操作视频。
此名思路可说为较量巧妙，就像为让机器者看武侠片学功夫。
一举两得。Motus由生数科技联手清华大学发布，而共同领衔之一作，为两位极其年轻之清华学生： 而Motus之成率直接飙升至95%。
而且于50项通用差事之测试中，Motus之无对成率比国际顶尖之Pi-0.5提升之35%以上，最高提升幅度甚至达到之40%。
衣裳此种柔性物体之形变为历程中延续不断生之，但于Motus手下，整名历程丝滑顺畅，就像有之苍生之触觉与预判一样。
一统之VLA架构除去之机器者学中之模型碎片化，此才为真正之突围。
上一篇：张晶引质疑！1500米2者进决赛无领滑致双双摔倒，任子威直指守旧 下一篇：冲NBA没戏！林葳4中1仅2分创73天最差 12战11败延续沉沦