具身新贵昆仑行斩获 WorldArena单项冠军全球亚军，世界模型全面领先

2026具身智能黑马玩家昆仑行机器人，全面领先全球权威榜单 WorldArena。

据媒体报道，具身智能领域的权威评测WorldArena 2.0 Track 1发布了最新成绩，昆仑行机器人研发的昆仑世界模型GeWu，以69.58分的成绩，斩获图像质量（Image Quality）单项冠军，同时以65.91的综合得分，获得全球榜单亚军。模型在物理一致性（Physics Adherence）、可控性（Controllability）等多项关键能力维度上实现大幅领先，是本次77支参赛模型里，唯一一个在6大评测维度中，获得其中4项前4名次的模型，体现出极强的综合能力。

作为世界模型赛道的权威评测基准，WorldArena 由国际顶尖高校及科研机构联合共建，WorldArena 2.0在1.0的基础上构建全面基准，从模态、功能、平台三大关键维度扩展具身世界模型评估。本次评测的WorldArena Track 1赛道，聚焦具身智能模型的基础核心能力，重点考核模型“看得准、猜得对、画面真实合理”的核心素养，突出模型在物理因果上的合理性。

考核标准严苛，专业度拉满，WorldArena Track 1吸引了全球几乎所有顶尖世界模型研发团队同台竞技，每一次榜单更新都代表着全球具身世界模型领域的最高技术水准，被誉为具身世界模型的“国际竞技场和权威试金石”。

在本次激烈的全球同台比拼中，昆仑行短时间内便完成模型训练、优化和多次迭代，作为昆仑世界模型（Kunlun World Model）的第一代版本，初次亮相即实现全面领先，尤其是在物理一致性（Physics Adherence）和可控性（Controllability）核心能力上的优秀表现，展现出昆仑行研发团队对世界模型物理因果的深刻理解和架构创新。

昆仑世界模型：遵循物理因果的世界模拟器

业内已逐渐形成共识，一个优秀的具身机器人大脑，并不能只简单地模拟动作；更关键在于它能不能理解真实的物理世界，尤其要严格地遵循物理因果关系。

在这样的背景下，“世界模型”成为了当下最热门的概念。在具身领域，世界模型扮演了不同的角色。它可以基于用户的输入，“渲染”出相当真实的画面；也可以基于某种转移模型，“模拟”状态的变化；还可以反过来，给定当前的观测和未来的目标，“规划”智能体的动作。

昆仑行认为，在具身智能领域，一个真正理解物理因果的世界模型，不能局限于“渲染”——即生成视觉上真实但物理上不可靠的视频——世界模型必须具备模拟器的能力：理解真实世界的物理因果，忠实地预测“如果执行某个动作，世界会如何变化”。模拟是世界模型最关键的能力。掌握了模拟，世界模型才有可能具备规划的能力；反过来则不行。

因此，基于「物理因果」的第一性原理，是昆仑世界模型架构设计的基本原则。

基于因果关系的模型架构

有别于业内主流的按照“文本归文本、视觉归视觉、动作归动作”的模态拆分的方式，昆仑世界模型将视野放在一个经常被忽视、但至关重要的深层结构上——因果关系。

昆仑世界模型 不按模态拆分，而是按因果图中的角色语义，将模型拆为三座参数独立的 Transformer 塔（Tower）：Tower 1 负责 Intent（目的），以自回归方式编码语言指令和场景理解，确定“要做什么”；Tower 2 负责 Intervention（干预），以 flow matching 范式建模动作序列，确定“怎么做”；Tower 3 负责 Consequence（响应），同样基于 flow matching 生成未来视频帧，呈现“做了之后会发生什么”。

三座塔共享 decoder 基础结构，但每层拥有独立的投影矩阵、前馈网络和归一化参数。

昆仑世界模型的架构图

这一拆分的关键价值体现在塔间的信息流控制上。昆仑世界模型通过联合因果注意力机制（United Causal Attention），在三塔之间施加严格的单向可见性约束：Tower 2 可以看到 Tower 1，但不能看到 Tower 3；Tower 3 可以同时看到 Tower 1 和 Tower 2。

这意味着“行动决策”可以参考“任务目的”，但不能偷看“尚未发生的视觉后果”；而“视频渲染”需要同时知道“要做什么”和“怎么做”，才能生成物理因果上合理的画面。

消融实验印证了这一设计的必要性：一旦切断其中任意一条注意力通路，模型便会迅速从“因果仿真”退化为“默写模式”——它不再依据具体动作推演物理后果，而是直接将任务描述映射到训练集中最相似的视频片段，产生违背物理规律的画面（如物体在无对应动作的情况下自行运动）。这一退化在评估模型物理合理性的核心维度交互质量（Interaction Quality）上表现得尤为明显：切断其中一条因果通路后，交互质量急剧下降，物体不能严格遵循末端夹爪的操作，接触后的行为表现不符合物理规律。昆仑世界模型 在这个维度上取得了82.40的高分，正是因果架构发挥作用的直接体现。

以“挂杯子”任务为例。如果切断 Tower 3和 Tower 2的因果通路，也就是说，视频生成时只看文本不看动作，操作对象就会出现不合理的运动。我们的消融实验证实了这个结论。

消融实验。输入任务描述：“Use your left arm to grab the drinking mug with smooth body, rotate it, set it down, then hang on the angular rack with slanted support rod”。（左侧）切断动作和视频的因果通路，机械臂的运动没有遵循给定轨迹；并且在挂上去的瞬间，杯子自行运动，明显违反物理规律。（右侧）在我们的终版模型中，Tower 3 既看文本也看动作，预测视频遵循动作轨迹，杯子的位置变化合理。

三塔架构还天然支持多任务的统一推理。借鉴 UniDiffuser 的思想——“作为条件”与“作为生成目标”不过是同一去噪过程在不同噪声水平下的两端——通过调整各塔的噪声参数，同一套架构和权重即可在世界模拟、策略推理、联合预测等多种模式之间灵活切换。当动作塔和视频塔同时处于生成状态时，昆仑世界模型采用异步调度策略，让动作塔的去噪进度始终领先于视频塔，确保视频生成看到的动作信息始终更干净、更可靠。

面对长时序视频生成的需求，昆仑行研发团队设计了 Chunk-wise 自回归方案：长视频被拆分为多个片段逐段生成，核心挑战在于后续片段的上下文缺失。

为此，昆仑世界模型 引入了仿生记忆采样策略——模仿人类记忆的衰减规律，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任务全局进度。配合绝对时序位置编码和帧率自适应放缩机制，模型在所有生成阶段都能准确感知物理时间位置，并灵活控制动作节奏。

仿生记忆的消融实验。输入任务描述：“Take the bottle with green cap with arms, put it in the dustbin with white inner bag, repeat the same for the transparent bottle and the rounded bottle with a white neck”。（左侧）不加入记忆机制，随时间推移，出现物体凭空消失、形变等现象，背景噪点也在不断累积。（右侧）模型加入仿生记忆采样策略，chunk 间衔接流畅，长时序下稳定保持物体和背景的一致性。

最终，昆仑世界模型 在 WorldArena 2.0 Track 1 基准测试中，以综合得分 65.91 获得全球亚军，并在图像质量单项上斩获冠军。并在多项核心能力指标上实现全面领先。

昆仑行机器人的模型研发负责人郝志会博士认为，“在研发昆仑世界模型的过程中，我们反复验证了一个核心判断：世界模型的架构设计应当尊重物理世界的因果结构。目的驱动行动，行动产生结果，这条因果链不仅是人类理解物理世界的基本框架，也应当成为模型架构的第一性原理。当归纳偏置对齐问题本质，我们看到了指标的提升，也看到了训练效率和泛化能力的同步改善”。

昆仑世界模型 是昆仑行沿这一技术方向迈出的第一步。接下来，研发团队将在更复杂的任务场景中持续验证和扩展模型能力，并将昆仑世界模型应用于行为规划和仿真强化，推动世界模型从视觉渲染器进化为真正的物理智能基座。

关于昆仑行

昆仑行（Kunlunx AI）致力于打造面向物理世界的通用 AI 机器人。公司坚持 "本体 + 大脑" 双轮驱动战略，构建通用 AI 机器人本体、数据、小脑、大脑、智能体五位一体的全栈核心技术自研体系。我们相信物理因果是具身智能的第一性原理：不是模仿动作，而是理解世界。

公司打造以物理因果为核心的昆仑世界模型（KWM），让AI 机器人真正像人一样学习、理解、进化，推动物理 AI 从实验室走向真实场景的规模化应用，让智能在物理世界中真正创造价值。