跨维智能发布全球首个机器人任务原生3D世界模型UNITAS

声明：文档由AI根据原文生成。

跨维智能发布UNITAS：探索Physical AI统一表示空间

2026年10月13日，跨维智能（DexForce）发布全球首个机器人任务原生3D世界模型UNITAS（A 3D-Native World Action Model for Embodied Manipulation），探索为Physical AI建立统一表示空间的新路径。该模型核心观点为：三维物理世界本身应成为机器人理解世界的原生表示空间。

三维空间作为机器人"原生语言"

大语言模型通过将各类知识统一至文本空间实现学习与迁移，而机器人面临的现实数据具有天然异构性：视觉信息来自摄像头，动作信息来自不同本体控制系统，环境变化对应物体真实空间运动，缺乏统一表达方式。

UNITAS提出"3D原生"（3D-Native）技术路线，区别于以往将3D作为辅助信息的"3D感知"方法。其核心在于：模型主干直接处理三维Token，将三维空间作为观察、行动和环境变化的共同表示，而非通过图片Token作为桥梁。具体而言：

• 观察（Observation）对应环境中物体的三维位置关系；
• 动作流（Action Flow）对应机器人末端执行器或人手的运动轨迹；
• 场景流（Scene Flow）对应物体受动作影响后的运动变化。

三者于同一三维坐标系中联合建模，使模型既能生成可执行动作，也能预测未来世界变化。

多源数据统一：人手、夹爪与机器人的共同语言

机器人数据高度分散，来源涵盖仿真、真机采集与人类操作示范，且不同机械结构与控制方式各异。UNITAS将各类操作端转换为三维空间中的点轨迹，使仿真数据、真机数据与人类双手数据进入同一空间学习。

为实现多源数据统一，UNITAS提出两项关键模块：

• 世界对齐的3D位置嵌入（World-Aligned 3D Position Embedding）：为观察、动作流和场景流引入统一三维坐标编码，并可补全缺失深度信息，适配RGB-D与RGB数据；
• 物理时间轨迹编码器（Physical Time Trajectory Encoder）：按轨迹点实际物理时间编码，将不同采样频率（如10Hz与30Hz）与不同持续时长的轨迹转换至统一特征空间。

论文显示，混合九个数据来源预训练后，LIBERO-Plus整体成功率提升2.6个百分点；面对机器人初始状态扰动时，成功率从84.8%提升至94.2%。

1.7B参数超越8B模型，多项基准测试领先

UNITAS以1.7B（17亿）参数规模，在多项机器人操作评测中表现如下：

消融实验显示，将3D位置编码、动作流监督、动作流历史token三项核心设计去除后，模型退化为常规VLA基线，LIBERO-Plus整体成功率从86.47%降至67.58%，降幅近19个百分点。其中：3D位置编码对跨视角泛化关键；动作流监督对齐观测与动作空间；动作流历史token增强鲁棒性；场景流监督进一步将成功率从85.74%提升至86.47%。

生成式仿真与数据闭环

跨维智能自2021年成立以来持续建设具身智能基础设施。其自研DexVerse®生成式仿真引擎可根据多模态输入生成三维场景，结合物理仿真与传感器模拟构建虚拟世界；EmbodiChain具身智能工具链连接场景生成、数据扩增、模型训练与部署流程。

UNITAS与生成式仿真体系结合，形成"仿真生成—模型学习—真实验证—数据回流"的Physical AI数据闭环。论文显示，UNITAS的场景流监督主要来自仿真数据，但在DROID、RH20T等真实世界观测数据上，仅依据夹爪运动轨迹即可预测合理场景变化，展现从虚拟经验向真实环境的迁移能力。

开源信息与后续

• 论文地址：https://arxiv.org/abs/2610.12099
• 项目地址：https://dexforce.com/technical-report/#/unitas-wam
• 开源代码：https://github.com/DexForce/UNITAS

跨维智能表示，愿与全球开发者、产业伙伴携手，推动具身智能成为下一代生产力的重要组成部分。