无界动力发布隐空间世界模型MWA™，具身榜单登顶全球第一

成立仅一年的具身智能公司无界动力正式发布隐空间世界模型 MWA™，宣称这是全球首个具备「长时序双向物理因果链」能力的隐空间世界模型。在由斯坦福大学等机构发起的 RoboCasa GR1 TableTop 榜单中，MWA™–WALA 以 75.2% 的平均任务成功率刷新纪录并拿下全球第一，超过英伟达 GR00T-N1.6 等主流模型。伴随技术亮相，公司同步披露融资与商业化进展：天使轮与 Pre-A 轮合计融资接近 4 亿美元，并在成立一年内签下总额近 1 亿美元的全球订单。

技术路线：隐空间世界模型 + 强化学习

不同于主流的 VLA（视觉-语言-动作）路线，无界动力选择了隐空间世界模型加强化学习的组合。前者负责让机器人建立对物理规律的认知与未来状态预测能力，后者通过高频试错与奖励反馈，把对物理世界的理解转化为精准执行策略。技术团队认为，机器人要跨越从实验室 Demo 到多元场景泛化的鸿沟，必须先让模型看清物理世界的因果边界。

核心创新：潜动作与长时序双向因果链

MWA™ 的关键设计是「潜动作（Latent Action）」与「长时序双向物理因果链」。

• 潜动作：模型在统一共享的隐空间内完成推演，跳过像素层面的冗余计算，并把视频中「物体因交互而产生的位置与状态变化」抽象为高维表征，无需人工动作标注即可直接消化互联网海量无标签视频。
• 双向动力学：架构同时跑正、逆两条推理线。逆动力学负责「由果推因」，正向动力学负责「由因及果」，并通过正逆互审机制实现因果对齐。
• 长时序 Chunk 级逆向建模：可一次性从 10 秒以上视觉序列中批量推理并输出连续多步动作组，缓解单步预测偏差在长时序中滚雪球式放大的问题。

数据体系：AnyPhys 负样本库

强化学习在行业普遍受困于奖励信号稀疏，根源在于数据集「重正轻负」。无界动力推出 AnyPhys 负样本核心数据体系，把深层负样本、细粒度边界失稳样本与「差一点成功」的次优样本交织在一起，已沉淀数万条失败、失稳与临界边界样本，并建立自动区分正、负、次优、边界样本的方法论。在精密接插类任务实测中，噪声数据下任务成功率最高可提升 5 倍。

榜单成绩与团队背景

RoboCasa 由斯坦福大学等机构联合发起，覆盖 24 项高难度任务，并搭配全域随机化光影、杂物干扰等严苛条件，专门考验模型在不确定环境中的泛化能力。MWA™–WALA 以 75.2% 的平均任务成功率登顶全球第一，相比第二名提升 2.4 个百分点，并在多步骤连贯操作、受限空间物件拿取等高频难点任务中表现突出。

商业化方面，公司已签下总额近 1 亿美元的全球订单，覆盖三类差异显著的产业链：

• 汽车：与 ZF LIFETEC、欧摩威集团等头部供应商达成战略合作；
• 能源：与远景科技签署超 5 亿元人民币订单，涉及海外规模化部署与联合研发，是国内具身操作智能赛道首个亿元级海外大单；
• 消费：与国内外知名连锁咖啡品牌合作，将机器人推进开放动态的商业服务场景。

公司 CEO 张玉峰此前在地平线担任智驾一号位，主导过与大众集团 24 亿欧元的业务合作；联合创始人兼 CTO 夏中谱曾是中国智能驾驶产业端到端模型研发与量产的关键人物之一。投资方包括红杉中国、线性资本、京东关联基金等机构。