前特斯拉团队杨硕创业首作登顶SOTA：妙动科技使机器人控制效率提升10倍
教一个人学骑车，你可以给他看一千张骑自行车的照片——但真正让他学会的，是那一脚踩上踏板的瞬间。照片和文字教的是"认知"，而骑车需要的是"物理直觉"。
机器人领域也面临同样的难题，过去两年最热门的方案是视觉-语言-动作模型（VLA）：让大语言模型"看懂"场景，再接上机器人的手脚，微调一下，机器人是不是就能干活？但问题在于，GPT 等大模型吃的都是静态的图文数据：它知道"这是杯子"，却不知道"杯子倒了会怎样"。要补上这些物理知识，就得靠真人戴 VR 头盔手把手地教，每个动作教上百遍，非常吃力。
那有没有一种数据，天然就包含物理动态信息，而且互联网上已经积累了海量规模？
有。视频。
妙动科技的答案：让视频生成模型当机器人的“物理老师”
这正是深圳初创机器人公司妙动科技（Mondo Robotics）新论文 DiT4DiT 的核心思路，一经发布后即获 Agility Robotics AI 负责人等多位硅谷机器人专家关注和转发。据了解，DiT4DiT 也是目前世界模型在人形机器人上首次落地的成果。
DiT4DiT 的名字直接点明了架构：两个 Diffusion Transformer（扩散变换器）串联协作，一个负责想象，一个负责执行。
第一个 DiT 是"想象者"：接收当前画面和语言指令，在内部预测接下来会发生什么，相当于让机器人先在"大脑"演练一遍任务。这一模块继承了视频生成模型的预训练权重，携带着关于物理世界的丰富隐式知识。
第二个 DiT 是"执行者"：读取第一个 DiT 在去噪过程中产生的中间特征，将"想象中的动态信息"翻译成具体的机器人关节指令。
简单讲：一个负责"理解世界会怎么变"，一个负责"决定手该怎么动"。视频生成模型花了海量算力学到的物理直觉，被直接注入了机器人的决策系统。
一个反直觉的发现
研发团队在消融实验中发现了一个违反常理的结论：从视频模型提取特征时，只需单步去噪效果最好，步数越多、太清晰，性能反而下降。提取层也有讲究，第 18 层（中间偏深层）的特征最优，达到性能峰值。
原因不难理解：对机器人动作决策而言，捕捉运动的趋势和物理规律比还原精确的像素画面更重要。粗略但充满动态信息的中间特征，比最终清晰的预测帧更有"行动力"。
这个发现带来的工程优势非常实际：整个系统在单张 RTX 4090 消费级显卡上即可实现 6Hz 实时推理，仅需单颗 RGB 相机。而同类方案 Cosmos Policy 需要 H100 专业算力卡，推理速度仅 1Hz。部署成本和速度，DiT4DiT 都领先了一个量级。
实验成绩：全面刷新 SOTA
数据是最直接的证明。
在行业权威的 LIBERO 基准上，DiT4DiT 达到 98.6% 平均成功率，超越 π0.5（96.9%）、CogVLA（97.4%）和 OpenVLA-OFT（97.1%），刷新当前 SOTA。而它使用的预训练数据量仅为同类方法的 15%，收敛速度快了 7 倍——用更少的数据、更短的时间，训练出更强的模型。
在更具挑战性的 RoboCasa-GR1 基准（24 项家庭任务）上，DiT4DiT 取得 50.8% 综合成功率，比 NVIDIA GR00T-N1.5（41.8%）高出 9 个百分点。真机实验在宇树科技 G1 人形机器人上进行，共测试 7 项任务——插花、打包、移动勺子、叠杯子、抽屉交互等，DiT4DiT 全面领先。值得一提的是，DiT4DiT 仅使用机器人头部单目相机完成所有任务，而此前业内方案多依赖头部加双手共三个相机，系统复杂度明显更高。