逆矩阵Physis基座模型发布:120万小时视频教机器人懂物理

资讯 AI 应用前沿 全文 3512 字 · 约 9 分钟读完 分类模型发布具身智能

逆矩阵推出了通用物理智能基座模型Physis-v1.0-preview。这个模型不靠死记硬背动作,而是通过观看120万小时的真实世界视频,学习物体在受力后的动力学变化。它能在陌生环境中零样本泛化,支持高频闭环控制,训练效率MFU超40%。虽然目前未公开权重,但其“动作条件预测”的技术路线为具身智能提供了一条不同于传统模

所属频道 模型发布机器人与具身智能

让机器人像人一样“懂”物理

这几年具身智能(Embodied AI)走得最多的路,是“模仿学习”——喂给机器人大量人类操作演示,让它记住什么状态下该出什么动作。固定场景里这套办法挺管用,可环境稍一变,或者冒出一个没见过的物体,机器人常常就不知所措了。

逆矩阵(Physis)新发布的 Physis-v1.0-preview 预览版模型想换条路走:不让机器人死记动作序列,而是让它弄懂动作背后的物理规律。说白了,就是让模型看海量真实世界视频,学会预判“我这么动一下,世界会变成什么样”。

这个预览版模型的核心预训练任务,被定义为“动作条件下的真实世界动力学预测”。团队拿120万小时、覆盖1.48亿个片段的多源数据来喂它,里面既有机器人的操作记录,也有大量通用视频和第一视角视频。模型从这些视频里学物体、场景与物理关系的表征,进而形成对动态演化的理解。

这么做的好处很明显:物理交互本身就是现成的监督信号。推一下杯子,杯子倒了,这个结果就是对动作的反馈。任务千差万别,可接触、摩擦、重力这些底层物理关系是共用的。模型因此能从异构数据里学到可迁移的通用能力,而不是只练熟某一个任务的技巧。

不只是看图说话,更是“想象”未来

“动作条件预测”是 Physis-v1.0-preview 的一项关键能力:给当前观测画面和一组候选动作,模型要预测世界接下来会出现怎样的状态变化。

这有点像人的“想象力”。伸手去拿桌上的水杯之前,脑子里其实已经把伸手、握住杯柄、提起来的过程过了一遍;要是模拟出杯子太滑可能掉,就会调整抓握的力度或角度。Physis 模型干的是类似的事,为决策提供这种“想象”能力。

靠这种预测能力,模型遇到陌生环境、新物体和新任务时,能复用已掌握的物理知识做零样本执行。哪怕是从没见过的新物件,只要它的物理属性(重量、材质、形状)落在模型的学习范围内,机器人少量示范甚至不用示范,就能快速适配并完成操作。

实际部署时,这套系统按高频闭环控制来设计。配合低时延推理引擎 PhysisServe,模型能依据连续的视觉和触觉反馈实时修正动作。处理感知噪声、接触动力学的不确定性以及执行约束下的物理任务,这一点很关键。比如精密装配,机器人得根据实时阻力反馈微调位置,而不是闷头走预设轨迹。

复杂的长程任务靠分层架构完成:低频的语义决策负责拆解目标、调用技能模块,高频的控制回路管具体执行细节。两边配合起来,机器人既听得懂“把桌子收拾干净”这种高层指令,也能精准做完“拿起抹布擦拭污渍”这样的底层动作。

背后的大工程:数据工厂与高效训练

想学会物理规律,数据的质量和规模是关键。逆矩阵搭了一个叫 Physis Data Factory 的数据生产系统,它不是简单地收数据,而是把模型算子、任务编排、分布式执行与质量验收整合到一起的统一平台。

原始数据来源很杂:通用互联网视频、第一视角操作视频、UMI(通用机械接口)数据、真机采集数据以及仿真数据都有。面对这么庞杂的数据,团队基于 Lance、Ray、Prefect 等基础设施,建了一套自动化处理流程。

处理过程相当细。先清洗原始数据,再做细粒度的时序 Caption(描述)生成;接着用几何重建、相机轨迹估计、光流与点轨迹提取等技术,把二维视频转成带三维空间信息的结构化数据。最关键的一步,是把视频、三维轨迹与语言标注精确同步,并用反事实成对样本把动作与后果的对应关系显式搭出来。所谓反事实样本,就是展示“如果当时做了另一个动作,结果会有什么不同”,帮模型更准确地理解因果关系。

训练基础设施方面,团队用的是三层异构集群流式架构:Raw data(原始数据)→ Sample(样本)→ Token(令牌)→ Model(模型)。这套架构以训练集群的稳态 token 消费速率为基准,反向规划各层产能;再通过缓存、队列与背压机制吸收异步波动,保证数据供给稳定。

训练侧也做了技术优化。团队把全分片数据并行与上下文并行结合起来:数据加载器预估每个样本的计算量,注意力规划器按 token 可见范围均衡划分工作,同步等待造成的空闲时间因此被消掉。

团队还自研了注意力算子,支持 chunk 内双向、chunk 间时间因果的细粒度可见性。据官方介绍,这一改进较 FA4(FlashAttention-4)提升了 30–40% 的效率;配合统一的激活值管理减少重计算,整体 MFU(Model FLOPs Utilization,模型浮点运算利用率)超过了 40%。在大规模训练里这是相当高的效率指标,说明算力没浪费在通信或等待上。

与 π0 的路线差异

具身智能领域里,Physical Intelligence 公司的 π0 模型是另一个重要参照。把两者摆在一起看,技术侧重并不相同。

π0 的核心预训练目标是视觉-语言-动作流匹配(Flow Matching),架构是 3B 参数的 PaliGemma VLM(视觉语言模型)主干,加上约 300M 参数的 Flow Matching 动作专家。数据主要来自 7–8 种机器人平台的遥操作示教和 Open X-Embodiment 开源数据集,规模大约 1 万小时。π0 的长处是继承了互联网规模的语义知识,跨本体训练也带来一定泛化能力;它通常一次预测 50 步动作分块,最高支持 50Hz 的控制频率,而且 π0-base 版本已经开源。

换到 Physis-v1.0-preview 这边,重点落在对物理规律本身的学习上。它的数据规模是 120 万小时,覆盖 996 万个任务、275 万个场景,来源也更杂,机器人示教之外的材料都算在内。控制上,Physis 要的是更高频的闭环反馈,配上低时延推理引擎,冲着更复杂的动态环境去。训练效率方面,靠自研算子和架构优化,MFU 做到了超 40%。

说白了,π0 更像一个懂语言的机器人专家,拿语义理解能力去指挥动作;Physis 想当的是懂物理的观察者,靠理解世界怎么运转来指导行为。一个吃的是高质量示教数据和语义对齐,一个吃的是海量视频数据和物理一致性建模。

应用场景与局限性

从技术特性看,Physis-v1.0-preview 能用的地方不少。

工业制造是一块。零部件抓取、装配、分拣、质检这些精细活它都能接。零样本泛化能力在,产线频繁换型也扛得住,长尾的、非标准化的工件同样能处理。

物流仓储又是另一块。海量 SKU、库位布局动态变化,包裹拣选、码垛、拆垛、装车这些任务它都能胜任。过去自动化设备得针对每种商品单独编程,基于物理智能的机器人不用,靠视觉识别和物理预测自己适应。

家庭服务的空间更大。整理物品、清洁、洗衣叠衣、餐食准备,都发生在高度非结构化的环境里。每次回家布局可能都不一样,东西摆得也随机。Physis 的快速适配能力,让它在这些开放式家庭任务里有发挥的余地。

商业服务里的餐饮配餐、零售补货,还有科研教育,该模型也能提供基础支撑。对研究人员来说,它不只是个预训练模型,还是一套全栈基础设施,数据工厂、训练框架、部署工具都包含在内。

不过 Physis-v1.0-preview 目前只是预览版,官方还没给出模型本体(权重或 API)的公开地址。开发者和研究者眼下没法直接下载试用,也做不了微调。跟已经开源的 π0-base 比,Physis 在开放性上还要再看。

还有一点,120 万小时的数据规模是庞大,可这些互联网通用视频怎么和机器人实际操作之间的域差距(Domain Gap)有效弥合,仍是个挑战。视频里的物理现象,跟真实机器人传感器看到的有偏差,后续版本迭代得靠更多真机数据来校准。

逆矩阵拿出的 Physis-v1.0-preview,展示了具身智能的另一条路:不单靠昂贵的机器人示教数据,而是从更广泛的真实世界视频里汲取物理常识。数据规模继续扩大、训练效率继续提升,这种“物理智能”基座模型有机会成为未来机器人通用的“大脑”皮层。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. OpenAI撤销机器人团队:通用大模型能否直接接管机器人任务?

    通用大模型在机器人上的能力进展,正促使具身智能行业重新思考机器人“大脑”的研发路径。近日,澎湃新闻记者在与多位具身智能从业者交流中发现,GPT-6 Astra的发布成为一个重要节点,其展现出的能力让行业开始更加关注:哪些机器人任务可以直接交给通用模型,哪些仍需要专门训练?当地时间11月13日,据外媒报道,OpenAI确

    来源 腾讯网
  2. 腾讯混元Hy4 flash发布:224B参数,张军称性价比最高

    【TechWeb】11月16日消息,今日,腾讯混元最新语言模型Hy4 flash正式发布。腾讯公司公关总监张军在社交平台发文称,“这是迄今为止性价比最高的混元模型。”混元Hy4 flash每百万Token输入0.5元、输出2元,命中缓存时仅需0.02元,价格相比Hy4大幅降低。该模型总参数量为224B(其中64B En

    来源 腾讯网
  3. MIT韩松团队PEAR:27B模型纯仿真训练,单卡就能驱动真机?

    MIT韩松团队发布PEAR项目,基于Qwen3.8-27B模型,仅通过仿真环境强化学习,无需真实数据即可驱动双臂机器人。在RTX 5090上推理速度超220 tok/s,真机测试成功率60%,且完整保留数学编程等通用能力,为具身智能提供了一条低成本、高泛化的新路径。

    来源 AI 应用前沿
  4. ACE Music盲测超Suno v6:中国团队登顶AA音乐榜

    在Artificial Analysis最新发布的AI音乐人声榜单中,中国团队ACE推出的ACE Music v1以1160分的成绩超越长期霸榜的Suno v6。这是该榜单成立以来,Suno旗舰模型首次在盲听测试中失守头名。ACE团队从2025年3月启动基座模型研发,仅用18个月便实现突破。其核心优势在于“Symbol

    来源 AI 应用前沿
  5. 百度词元所上线首日:入驻供应商破100家,新增客户超1000家

    11月14日,从百度获悉,百度词元所发布首日,新增申请入驻的供应商已超过100家,新增超过1000家客户接入。 词元所在11月12日举行的百度世界2026上正式发布,百度创始人李彦宏将其称为“大模型的交易所”。据介绍,词元所一端汇聚模型和模型提供商,另一端服务企业和个人,让用户便捷地找到、购买和使用可信的模型Token

    来源 AI 行业观察
  6. Agent递归自我改进:不训练模型如何越用越强?

    中科院自动化所与美团等机构联合发布综述,探讨LLM Agent如何在不更新模型权重的前提下,通过优化Prompt、记忆、技能和运行框架实现递归自我改进。文章梳理了“何时改、改哪里、怎么改”三个核心问题,并提出了包含收集、评估、诊断等七步的经验转化生命周期,为理解Agent从单次试错到持续进化的机制提供了清晰框架。

    来源 AI 应用前沿
  7. DeepSeek开放全家桶应用API:开发者可复刻完整App体验

    【TechWeb】11月14日消息,DeepSeek发布全家桶应用 API,将其自有App中已经打磨成熟的整套交互能力打包为标准化、可调用的模块,向开发者开放。与以往仅提供模型推理接口不同,此次开放覆盖搜索、网页抓取与解析、文件解析、OCR、语音识别(ASR)、语音合成(TTS)等多项应用层能力,并支持开发者单独调用或

    来源 AI 行业观察
  8. 百度词元所上线首日:供应商增超100家,客户接入破1000家

    【环球网科技综合报道】11月14日,从百度获悉,百度词元所发布首日,新增申请入驻的供应商已超过100家,新增超过1000家客户接入。词元所在11月12日举行的百度世界2026上正式发布,百度创始人李彦宏将其称为“大模型的交易所”。据介绍,词元所一端汇聚模型和模型提供商,另一端服务企业和个人,让用户便捷地找到、购买和使.

    来源 腾讯网
  9. 具身智能融资466起1245亿:机器人离干活还差什么

    2026年,资本、模型和制造同时加速,机器人开始批量走下生产线,但下线不等于交付,演示不等于胜任。具身智能能否真正跨越产业之门,取决于技术能否被组织成稳定工作的系统,并在真实场景中持续创造价值。

    来源 AI 行业观察
  10. 华为云CloudRobo-WM1.2亮相:机器人“大脑”自研后与模型公司竞争?

    华为云开始亲自下场训练具身智能的“大脑”。11月16日,在华为云CloudRobo具身世界模型发布会上,华为云正式发布昇腾原生具身世界模型CloudRobo-WM1.2,并宣布将其开源。这款模型能够在理解物理环境的基础上预测未来变化,并直接生成机器人动作。按照华为云披露的测试结果,其在RoboTwin 2.0、LIBE

    来源 腾讯网
  11. Claude Fable5.2上线:70万笔触代码作画,不靠扩散模型

    Anthropic 当地时间11月9日发布 Claude Fable5.2与 Mythos5.2。该公司无传统文生图模型,Fable5.2却能以代码在虚拟画布上模拟画笔逐笔作画,还原笔刷纹理、颜料湿度与画布质感并可修正错误。不同于 Midjourney 等扩散模型从噪声生成图像,它把绘画拆解为笔触指

    来源 AI 开发者社区
  12. 阿里发布Qwen4,千问平台首发Qwen4-Max:Token减半、得分涨近28%

    11月16日,阿里发布新一代基座大模型Qwen4,千问AI平台首发Qwen4-Max,API与Token Plan同步开放。该模型采用Qwen稀疏注意力MoE架构,总参数2.4T,支持百万上下文、原生视觉与长程任务稳定交付,可调用工具并分阶段交付;评测中同档位较上代提升。

    来源 AI 产业速递
  13. 阿里发布Qwen4并上线Qwen4-Max:Token减半、得分升近28%

    阿里巴巴11月16日正式发布全新一代基座大模型 Qwen4,千问 AI 平台首发上线 Qwen4-Max,API 服务与 Token Plan 同步开放。模型采用基于 Qwen 稀疏注意力(QSA)的全新 MoE 架构,总参数2.4T,具备原生视觉与长程任务稳定交付能力,支持百万上下文,可调用专业工

    来源 AI 开发者社区
  14. Claude Fable5.2靠代码作画:70万笔触画出购物车

    Anthropic 11月9日发布 Claude Fable5.2 与 Mythos5.2。Fable5.2 无传统文生图模型,却能以代码在虚拟画布逐笔作画,还原笔刷纹理、颜料湿度与画布质感,并可修正错误。它不同于 Midjourney 等扩散模型从噪声生成图像,而是把绘画拆解为笔触指令执行,每幅画是一段约1000至2

    来源 AI 产业速递
  15. 谁能熬过具身寒冬?

    张硕一周前从一家具身智能公司离职。这家公司成立不到三年,融资已到B轮,主要产品是四足机器狗。他负责to B大客户销售,去年下半年还曾签下几笔大单。 今年七八月份,情况开始变化。项目尾款被一再拖延,为了拿到一张验收单,他有时要跑四五趟客户的工厂。客户给出的答复大同小异,产品运行不稳定,尚未达到验收标准,尾款要再等等。 与

    来源 AI 行业观察
  16. Deepnote实测12款AI当同事:OpenAI包揽前二,Fable 5.2贵17倍反输

    花430倍的钱,只多11%的分数! 太夸张了。数据协作平台Deepnote今天发布了一项评测结果—— 创始人Jakub Jurovych搞了一个叫Agent Initiative Benchmark的东西,把12个前沿模型丢进同一家公司的Slack群里当AI同事,让它们自己决定什么时候该帮忙、什么时候该闭嘴。 跑完一看

    来源 AI 行业观察
  17. 华为云开源昇腾原生具身世界模型CloudRobo-WM1.2,亮出三张牌

    2026年,具身世界模型成了人工智能行业最拥挤的赛道之一。海外,谷歌、英伟达接连加码;国内,智元、星海图、智源、腾讯、阿里相继下场。各家路线略有差异,但共识已经形成:让机器人先理解世界,再做动作决策。有行业媒体梳理显示,国内公开的世界模型已有59个,全球公开入场的公司达55家。11月16日,华为云“行业AI梦工厂...

    来源 腾讯网
  18. 清华江瑞课题组发布ProtCell:在摩尔线程S5000上复现预训练

    IT之家 11 月 14 日消息,据摩尔线程公众号,近日,清华大学自动化系江瑞课题组发布了面向单细胞蛋白组的基础模型 ProtCell,完成了论文《ProtCell:a foundation model for single-cell proteomics》。该模型汇集约 3.8 亿个细胞、98 个公开数据集用于预训练

    来源 AI 行业观察
  19. 阿里Qwen4-Max发布:总参数2.4T,单任务平均费用降六成

    新京报贝壳财经讯(记者罗亦丹)11月16日,阿里巴巴发布全新一代基座大模型Qwen4-Max,总参数2.4T,具备原生视觉能力,支持百万上下文。基于创新的模型架构和训练优化,Qwen4-Max以更少的Token消耗实现了更高的性能,在智能体和编程等关键能力项上持续进化:在权威的全球前端编程盲测CodeArena中,Qw

    来源 腾讯网
  20. 腾讯混元发布Hy4 flash:224B参数,单任务成本只有Hy4的1/20

    【环球网科技综合报道】11月16日,腾讯混元发布最新语言模型Hy4 flash。该模型总参数量224B(其中64B Engram参数),激活参数12B,支持多模态和1M上下文长度。腾讯混元称,Hy4 flash是其迄今性价比最高的Hy模型,每百万Token输入0.5元、输出2元,命中缓存时仅需0.02元,价格相比 Hy

    来源 腾讯网
  21. SpaceX豪掷740亿建AI超算:数GW电力够撑吗?

    本期资讯聚焦三大动态:SpaceX据传计划投入巨资建设两座AI超算园区;Google推出面向影视创作的Flow新工具及Gemini 4 Hydrogen模型,后者展示了实时3D可视化能力;AWS发布Bedrock推理成本优化指南。此外,LMArena提出智能体交互评测新范式,DeepMind发布AlphaGenome

    来源 AI 应用前沿
向下滚动自动加载更多