十七亿参数打穿九个基准：世界模型终于把三维当成了母语

一间屋子里有桌子，有抽屉，还有个药盒。要让机器人找到那盒药，它得先知道自己看到的是几维的东西。

过去两年的世界动作模型都在绕这个弯子。它们借助预训练视频生成器，让画面一帧一帧往前走，靠预测下一张图来间接学物理。这条路走得通，但图像是投影，像素之间的距离不等于物理距离。机器人伸出手臂，在画面里只占几个像素；在世界里，那是半米。

10 月 8 日，一个 1.7B 参数的模型给出了另一种答案。

📦 把观察、动作和世界变化塞进同一个坐标系

UNITAS 的做法是把三样东西全部放进一个带公制单位的三维坐标系：机器人看见什么，自己怎么动，世界因此怎么变。输入和输出不再是两套东西，而是同一套。

它靠三个部件撑起这个接口。动作流把人手和机器人夹爪统一表达成三维点轨迹；场景流在这些轨迹的条件下描述场景点的位移；轨迹分词器把每条点轨迹压成一个 token，锚定在它当前的三维位置上。

最后一环是关键。一条轨迹只占一个 token，机器人就能在有限上下文里装下更多步动作，而不必把每个关节、每个时刻都摊开。

📊 1.7B 打赢 6B 和 8B

论文里最扎眼的一组对比是参数量的反向。

UNITAS 在 LIBERO 上的平均成功率 99.8%，LIBERO-Plus 上 89.1%。在 RoboTwin 2.0 的双臂操作任务上，干净设定 92.94%，随机化设定 93.04%。而被它压在下面的 Fast-WAM 有 6B 参数，Motus 有 8B 参数。

真实机器人上的六项任务，平均成功率 85%。在动作条件场景预测这一项上，论文报告它比 PointWorld 的位移误差最多低 49%。

作者把这归到三点差上：三维是原生表示而非附加信息，有跨本体共享的接口，以及轨迹作为一个 token 的紧凑编码。这三条同时成立，才让小模型顶住了大模型。

🤝 接口公用了，手就不用重新学

UNITAS 号称第一例让不同机器人和人手共享同一个接口的世界动作模型。这句话的技术含义是，动作流这一侧不再区分这是几根手指的夹爪还是五根手指的手，形状差异被挪到了局部外观适配上。

在 RoboTwin 的动作条件场景预测上，1.7B 的 UNITAS 拿到了被比较方法中的最好成绩，位移误差比 PointWorld 最多低 49%。

论文标了 27 页、11 张图、13 张表，代码开源在 GitHub 的 DexForce/UNITAS。当前状态是在审。

⚖️ 三个基准同时刷新，代价是什么

这张表值得停一下。

真实世界那一栏的 85%，比仿真低了一截。这个差距是这类工作的常态，也是最该盯的数字。所有仿真基准都有一个共同前提：物体质量、摩擦系数、关节间隙都是已知且稳定的。真实世界不提供这些。

论文用了"在评审中"这个状态，说明它自己也没打算让这些数字直接落地。

🔍 信源与限定

• 全部数字取自 arXiv:2610.12099 摘要页与官方项目技术报告，实验章节与 13 张表格未逐项核对
• LIBERO-Plus、RoboTwin 两项的具体数值出自中文报道转述，摘要只印出了 LIBERO 99.8%、真实任务 85% 与比 PointWorld 低至多 49% 位移误差
• 与 Fast-WAM 6B、Motus 8B 的对照来自项目技术报告，论文是否在同一硬件与同一协议下测得，未核到
• 代码已开源，权重是否同步放出未见说明