生数科技 Motus2 深度解析：策略、预测、评估三能力原生统一

Motus2是面向高自由度灵巧操作的自进化通用世界模型，核心变化是把三套系统接进同一条因果链：同一个共享参数的视频-动作网络提供三个控制接口——世界-动作模型（提出可执行动作块）、动作条件世界模型（预测动作的视觉后果）、价值模型（评估后果是否推进任务）。gotO:AID✶eepthinK.cn

执行时用Best-of-N采样多个候选、想象其未来、执行价值最高的分支后重新观测再规划；训练时用模型化RL把同一价值信号转化为策略更新，同时冻结预测与评估权重防止反馈抹掉已学动力学；另设"动作优先信息掩码"阻止策略在行动前偷看未来视频token（此前视频+控制拼接方法的常见作弊路径）。

一、架构设计

Motus2 颠覆了以往“外挂式”多模块拼接的架构，把策略、仿真、评估三个完全不同的功能，全部封装进同一个“视频—动作”共享权重模型里，三者共用一套参数，仅通过不同的输入接口切换功能：

• 策略模块（世界-动作模型WAM）‌：作为“执行端”，接收任务指令、机器人状态和视觉历史信息，直接生成可落地的机器人动作序列。
• 仿真模块（动作条件世界模型AC-WM）‌：作为“推演端”，给定当前状态和候选动作，精准预测执行后的未来视觉画面与物理交互结果。
• 评估模块（价值模型VM）‌：作为“评判端”，读取动作和预测出的未来结果，自动判断任务完成度与动作优劣，输出可用于策略优化的价值反馈。

为了保证三者的因果逻辑完全自洽，Motus2创新设计了‌“动作优先”因果信息流与掩码机制‌，严格固化“生成动作→推演未来→评估价值”的完整链路，从底层杜绝了模型“提前剧透未来信息”的逻辑漏洞，让三个模块的协同完全符合真实物理世界的交互规律。gotO:AID✶eepthinK.cn

二、关键技术

1. 触觉模态原生接入‌

新增轻量级触觉专家模块，补充单目视觉无法完整捕捉的接触力、材质形变等微观状态信息，解决了精细操作中视觉信息缺失的行业难题。

2. 自进化闭环原生打通‌

无需额外外接独立强化学习模块，模型可直接利用自身生成的预测结果和评估反馈，在线优化动作策略，实现“执行-推演-评判-改进”的全链路自主迭代，完全摆脱对人工标注奖励信号的依赖。

3. 规模化人类操作数据复用‌

打通单目第一视角视频、双目视频-动作配对数据、机器人真机数据的统一表征空间，让海量互联网人类操作经验可直接转化为机器人的灵巧操作技能，大幅降低真机数据采集成本。

三、真机实测性能

在官方设置的放置小球、多指操作、贴合橡皮、拧灯泡、放置手机五项高难度真机灵巧任务中，Motus2的‌平均成功率达到84%‌；结合基于模型的强化学习与推理时规划后，放置手机、多指操作两项最复杂任务的平均成功率从65%进一步提升至75%，可流畅完成双手撕纸、翻书页、开易拉罐、擀面团等此前传统机器人系统难以实现的精细动作。

• 数据金字塔：约13万小时人类第一视角视频（单目到同步双目）+100余小时机器人轨迹与人机对齐数据；双目数据从2000小时扩到20000小时，持续降低动作预测误差；
• 真机结果（手机放置等多指任务）：基线策略约65%成功 → 纯规划约67.5% → 纯模型RL约72.5% → 两者结合约75%；
• 触觉专家：轻量模块复用主模型特征、在每个动作子块执行前读取最新力觉与形变信息做最后一次去噪修正；抽纸杯、撕纸任务成功率从约60%提升至72.5%；
• TipRanks汇总口径：五项核心真机任务平均成功率84%，相同微调流程下数据组合将成功率从51%提至84%；
• 硬件演示平台：WUJI Hand 2、Sharpa Wave等灵巧手双臂机器人，完成拧灯泡、翻页等多指接触任务。

四、横向对比

各模型评测任务集完全不同，表中数字不可横向排名，仅呈现各自公开的最强维度。gotO:AID✶eepthinK.cn

五、行业范式价值

此前行业内的世界模型大多只是给视觉模拟器外挂一个独立动作输出头，策略、预测、评估三个模块分别独立训练、拼接部署，不仅链路长、延迟高，更无法形成可自我迭代的闭环，机器人永远只能靠人工标注的模仿学习“死记硬背”动作，遇到微小扰动就直接失效。

Motus2的价值在于把"触觉如何进入世界模型"从讨论变成工程接口，并把"想象结果当学习信号"做成有界任务内的早期RSI循环——公司自己定位为L3（在世界中行动）向L4（自主世界智能体）推进，明确不声称开放世界自主。

Motus2通过三能力原生统一的架构创新，把具身智能的发展阶段从“被动复刻动作”直接推进到“主动自进化”的全新层级，为通用具身智能体的规模化落地扫清了核心架构障碍。