多榜登顶，跨越仿真、真机与真实场景！无界动力发布并开源MWA-Phoenix隐空间世界模型基座
今日，无界动力正式发布并开源 MWA™-Phoenix 隐空间世界模型基座，横扫 LIBERO-Plus、LIBERO-Pro、RoboCasa GR1、Bench2Dex、RoboTwin 2.0 和 RoboDojo 真机榜。从环境扰动下的鲁棒性、任务变化后的泛化，到复杂物体操作、跨本体迁移和最终的真机执行，六项评测共同验证了 MWA™-Phoenix 将能力迁移到不同操作条件，并支撑实时部署与连贯操作的坚实能力。
相较常见的单一或少数评测领先，同时登顶多项不同侧重的榜单，并将领先表现从仿真延伸至 真机和真实场景， 更加考验 基座模型的能力广度与泛化能力。
行业中的具身智能模型层出不穷，但真正稀缺的，是能够 理解物理因果、具备足够泛化性、并将广泛操作能力转化为稳定的真机执行。不做任何测试数据复刻，不使用深度信息传感器，不依赖任何 Agent， 本次 MWA™-Phoenix 一次性登顶多项权威榜单，正是依托其优秀的模型架构与训练方法所带来的强大泛化性与操作能力。
延续无界动力隐空间世界模型 + 强化学习的核心技术路线，本次发布的端侧 7B 参数完整预训练 MWA™-Phoenix 基座模型，结合 Phoenix-ILA 将运动与接触共同纳入动作学习，借助本次同时发布的交互式仿真世界模型 Phoenix-PhysCanvas，在部署前于云端仿真环境中自我进化，具备在真实环境下实时部署、实现精细操作的能力，真正打通了模型落地前的 “最后一厘米”。
从看准场景、处理接触到优化策略自我进化，无界动力体系化连接 “理解世界”“学会操作”“自我进化” 与 “可靠执行” 之间的关键环节，并结合实时部署机制，让基座能力最终落实为真机上的连续、稳定、精细操作。
技术报告：https://openphoenix-team.github.io/Phoenix-pages/
开源代码：https://github.com/Anyverse-Dynamics/Phoenix-MWA
多榜登顶
从仿真到真机全面验证基模能力
技术路径最终要回到任务结果。MWA™-Phoenix 仅以 RGB 输入，不使用 Depth 真值，在六项各有侧重的评测中均以高分经受住检验： 环境改变后能否稳定操作，任务条件变化后能否泛化执行，复杂物体交互能否顺利完成，跨本体迁移后能否稳定操作，随机环境中能否双臂协同复杂操作，以及能力能否最终落实到真机。
01. 强抗干扰鲁棒性：LIBERO-Plus 登顶
LIBERO-Plus 通过相机视角、机器人初始状态、语言指令、光照、背景纹理、传感器噪声与物体布局七类扰动，检验模型应对环境变化的能力。MWA™-Phoenix 以 94.63% 的总体成功率登顶， 展现场景受到干扰后仍能稳定完成操作的能力。
02. 强跨任务泛化能力：LIBERO-Pro 榜首
LIBERO-Pro 通过物体、位置、指令与任务目标四类变化，检验模型能否将已学技能迁移到新的任务条件。MWA™-Phoenix 以 66.48% 的总体成功率位列榜首， 展示基座跨越具体训练条件、适应多样操作需求的能力。
03. 强复杂长时序操作能力：领跑 RoboCasa GR1 Tabletop
RoboCasa GR1 Tabletop 覆盖 24 项桌面操作任务，包括抓取放置，以及抽屉、柜门等可动结构物体操作，检验模型处理空间关系、物体状态变化和连续步骤的能力。MWA™-Phoenix 以 82.67% 的平均任务成功率领跑榜单， 相较前代 MWA™-WALA 的 75.17%，提高 7.50 个百分点，将基座能力的提升落实到多任务物体操作。
04. 强跨本体迁移能力：Bench2Dex 最优表现
Bench2Dex 覆盖 12 种机械臂与灵巧手组合、26 个任务 — 本体设置，通过物体姿态、桌面高度等几何变化，以及背景、光照、干扰物和相机位姿等视觉变化，检验模型在多任务、跨本体条件下的泛化能力。MWA™-Phoenix 在各项评测条件下均取得最佳成绩， 平均成功率达 45.6%，领先最强对照模型 π0.5 17.3 个百分点， 展现面对不同机器人形态与任务变化时的稳定迁移能力。
05. 强双臂协同操作能力：RoboTwin 2.0 表现亮眼
RoboTwin 2.0 通过 50 项双臂操作任务，在场景随机化条件下进行评测，考察模型应对环境变化与复杂协作操作的能力。MWA™-Phoenix 取得 72.42% 平均成功率，验证了模型在随机环境中的双臂协同操作能力。
06. 强真机实操能力：RoboDojo 真机榜成绩优异
RoboDojo 建立统一的仿真与真机评测体系，真机部分覆盖三类机器人本体、18 项任务。模型需要在实际感知、接触与执行条件下完成操作，任务结果直接检验物理执行能力。MWA™-Phoenix 在 RoboDojo 真机榜上成绩优异，为基座的真实机器人操作能力提供验证。
高效可靠的真机执行
才是硬仗
具身智能的价值实现，离不开进入场景、操作物体和完成任务。模型在仿真中取得高分后，仍需要跨越真实感知、接触与执行条件的鸿沟：
识别物体，动作未必到位；
轨迹合理，接触未必有效；
示范学会，真机未必可靠。
这道鸿沟已经出现在公开研究中。GPT-6 Astra 的 RoboDojo 早期评估显示，其仿真总体成绩领先，但真机诊断测试因不合理或不安全动作而中止，未完成正式真机评测。这直接表明：仿真高分不能替代可靠物理控制的验证。
真机执行的实时性同样亟待解决。Physical Intelligence 的 RTC 研究指出，同步推理会在动作段之间引入等待，运动中切换不一致的动作段也可能造成执行问题。这意味着：模型能够生成动作之后，还需要让推理与机器人运动有效衔接。
MWA™-Phoenix、Phoenix-ILA 与 Phoenix-PhysCanvas 将这道执行鸿沟拆成三个相互连接的问题： 基座能否理解变化的场景并持续行动，接触之后能否完成精细操作，以及策略能否在部署之前得到进一步优化，并最终落实到真实操作。
01. 几何与时序联合编码，让基模理解空间、连续行动
学习物理因果与通用操作，不仅需要识别物体，还需要理解几何结构、相对位置，以及它们如何随动作发生变化。团队在隐空间表征的探索过程中发现，绝大多数表征方式都对几何，尤其是几何 - 时序的理解最为缺失。因此， 几何与时序的联合理解成为重点突破方向：让 MWA™-Phoenix 成为面向操作的 “4D 空间大师”，既看清三维空间，也理解空间中的连续变化。
MWA™-Phoenix 以 DINOv3 为视觉骨干，通过双教师蒸馏融合 VGGT 的几何先验与 V-JEPA 的时序信息， 使编码器兼顾语义、空间结构与动态变化。 几何知识帮助模型理解物体如何摆放，时序知识帮助模型学习连续观测中的变化，两者共同建立面向操作的感知基础。
主题：能力|真机|模型|MWA™-Phoenix