Motus是由生數科技與清華大學聯合開源的大一統世界模型，於2025年12月正式發布並開源。項目主要負責人為清華大學計算機系TSAIL實驗室的畢弘喆和譚恆楷。
Motus在架構上統一了VLA、世界模型、視頻生成、逆動力學和視頻-動作聯合預測五種具身智慧型範式，實現了“看-想-動”的閉環，其核心是Mixture-of-Transformer架構與Tri-model Joint Attention機制。在50項通用任務測試中，Motus的平均成功率達到了88%，其絕對成功率比國際頂尖模型Pi-0.5最高提升幅度達40%。模型的代碼與權重已全量開源。
發展歷程,技術原理,性能表現,仿真測試,真機測試,開源與影響,開發團隊,
發展歷程
Motus是AI從數字世界走向物理世界的一步，其研發旨在應對傳統具身智慧型存在的鏈路割裂、數據稀缺、泛化能力弱等問題。
2025年7月，生數科技與清華大學聯合發布了首個基於視頻大模型的具身基礎模型Vidar。2025年12月，雙方聯合開源並發布了統一架構的通用基座世界模型Motus。該模型將VLA、世界模型、視頻生成模型、逆動力學模型以及視頻-動作聯合生成模型等五種主流具身基礎模型範式統一到同一框架中，構建了貫通“感知、推理、行動”的統一建模路徑。在數據層面，Motus統一了跨本體機器人數據、任務無關數據、仿真合成數據、人類操作視頻以及網際網路視頻的動作空間，通過大規模預訓練共享運動先驗，以提升模型的跨任務與跨平台泛化能力。
在性能驗證上，Motus在RoboTwin 2.0仿真環境的50個通用任務中取得了約88%的平均成功率。
在真實機器人部署中，Motus完成了如Cloudflare人機驗證、疊衣服等任務。
有觀點認為，Motus代表了具身智慧型從“模組拼裝式系統”向“統一智慧型體架構”的範式轉變，其開源發布有助於行業向統一智慧型體範式的演進。
2026年3月29日，生數科技創始人、清華大學人工智慧研究院副院長朱軍教授在中關村論壇年會“AI未來論壇”上發表題為《通用世界模型：連線數字世界與物理世界的橋樑》的主題演講。演講中，朱軍闡述了通用世界模型布局，並指出Motus作為該模型在物理空間的核心產品，是真實世界具身智慧型的“大腦”，可實現零樣本泛化與跨本體適配，推動機器人從“模組化執行”向“統一智慧型體”躍遷。他強調，通用世界模型旨在連線數字世界與物理世界，並隨著技術演進加快走向真實產業場景。
技術原理
Motus的核心目標是在一個統一的架構下實現“看-想-動”的閉環，首次將視覺-語言-動作（VLA）、世界模型、視頻生成、逆動力學、視頻-動作聯合預測五種具身智慧型範式整合起來，技術基礎是Mixture-of-Transformer（MoT）架構與Tri-model Joint Attention（三模態聯合注意力）機制，具體而言，它首次將視覺-語言-動作模型（VLA）、世界模型、視頻生成模型、逆動力學模型以及視頻-動作聯合生成模型這五種主流具身基礎模型範式統一到同一框架中。
根據其開發團隊的闡述，Motus是基於“世界行動模型”構建的統一世界模型產品。
Motus採用Mixture-of-Transformer（MoT）架構，並配合Tri-model Joint Attention（三模態聯合注意力）機制，通過該機制將三個功能專家模組集成在同一個注意力層中實現信息的實時交換與協同，包括基於Qwen-VL的理解專家負責看懂環境和語言指令、基於Wan 2.2的視頻生成專家負責推演未來畫面以及動作專家負責規劃具體的機器人運動控制。
在模型架構層面，Motus基於UniDiffuser統一建模框架，通過跨模態先驗融合（Cross-modal Priors Fusion），將視覺語言知識（VLM）、視頻動態知識（Video Generation Model）與動作技能知識（Action Expert）整合進同一模型，實現語言、視頻與動作的統一表達與生成。
Motus採用潛動作（Latent Action）範式來處理機器人控制，研究團隊利用光流技術（Optical Flow）從視頻數據中捕捉像素級的運動軌跡並提出Delta Action機制將這些像素級的變化翻譯成機器人的動作趨勢，從而將高維的視覺觀測與低維的動作控制聯繫起來。
在數據層面，Motus統一了跨本體機器人數據、任務無關數據、仿真合成數據、人類操作視頻以及網際網路視頻的動作空間，並通過大規模預訓練共享豐富的運動先驗，為模型提供了跨任務、跨平台遷移的基礎能力。
為了將通用的物理動力學知識轉化為精確的機器人控制能力，Motus構建了一套三階段訓練流程，旨在將通用的物理動力學常識“蒸餾”為精確的機器人控制能力，第一階段為視頻生成預訓練，利用多機器人軌跡和人類操作視頻微調視頻生成專家，使其能根據條件幀和語言指令生成合理的機器人操作視頻，第二階段為潛動作預訓練，在凍結VLM的情況下，使用視頻、語言和潛動作數據同時預訓練三個專家，將通用的運動先驗充分地注入Motus中，第三階段為特定本體微調，利用目標機器人的真機數據對Motus進行整體微調，將模型適應到特定場景下的下游任務，例如RoboTwin仿真和真機機械臂抓取，其核心創新在於利用光流技術提取像素級增量動作（Delta Action），並構建了六層數據金字塔，以突破真機數據稀缺的瓶頸。
性能表現
仿真測試
在仿真榜單RoboTwin 2.0的50項通用任務測試中，Motus的平均成功率達到88%。其絕對成功率比國際頂尖模型Pi-0.5提升35%以上，最高提升幅度達40%。在高難度任務Stack Bowls Three（疊三個碗）中，成功率從基線模型的不到16%提升至95%。
Motus展現了跨任務泛化能力，隨著訓練任務數量的增加，其性能持續上升，而非過擬合。
真機測試
Motus支持真實世界下的零樣本泛化與跨本體適配能力。在真機測試中，Motus對AC-One和Agilex-Aloha-2等機械臂表現出良好適應性。Motus的數據效率比對比模型提升13.55倍。
開源與影響
Motus的代碼、模型權重及論文均已全量開源，其代碼、研究論文和模型權重在GitHub、Hugging Face等平台公開，旨在為具身智慧型領域提供一種基礎模型方案。Motus的相關研究涉及具身智慧型領域的縮放定律（Scaling Law）。具體而言，Motus通過統一五大具身智慧型範式，揭示了具身智慧型縮放定律的一個新維度——多任務泛化能力曲線，這一曲線為具身基座模型提供了參考指標，其演進路徑與語言模型的發展有相似之處。
Motus的全棧開源在具身智慧型領域受到關注。一些海外AI與機器人領域從業者認為，其代表了AI從數字世界走向物理世界的重要進展，以及具身智慧型從模組化系統向統一智慧型體架構的範式轉變。Motus作為真實世界具身智慧型的模型，可實現真實世界下的零樣本泛化與跨本體適配，推動機器人從模組化執行向統一智慧型體架構的演進。
其統一的視覺-語言-動作（VLA）架構旨在減少機器人學中的模型碎片化問題。該架構將感知、預測和行動功能整合於智慧型體內部。
Motus的開源設計使社區可以基於同一基座擴展能力，有助於相關領域的研究。
隨著相關技術持續演進，通用世界模型也將套用於真實產業場景。
開發團隊
Motus項目由生數科技與清華大學聯合發布。項目的主要負責人（共同一作）是來自清華大學計算機系TSAIL實驗室（朱軍教授課題組）的二年級碩士生畢弘喆（Hongzhe Bi）和三年級博士生譚恆楷（Hengkai Tan）。
畢弘喆的研究方向為具身智慧型基礎模型，曾獲CVPR2025 RoboTwin雙臂機器人競賽真機賽冠軍。譚恆楷主攻視頻世界模型和具身大模型，曾獲全國青少年信息學奧林匹克競賽（NOI）銀牌。其他核心團隊成員還包括謝盛昊、王澤遠、黃舒翮、劉海天等，均來自清華TSAIL實驗室。
