2026具身智能黑马玩家昆仑行机器人，全面*全球权威榜单 WorldArena。
据媒体报道，具身智能领域的权威评测WorldArena 2.0 Track 1发布了最新成绩，昆仑行机器人研发的昆仑世界模型GeWu，以69.58分的成绩，斩获图像质量（Image Quality）单项冠军，同时以65.91的综合得分，获得全球榜单亚军。模型在物理一致性（Physics Adherence）、可控性（Controllability）等多项关键能力维度上实现大幅领 先，是本次77支参赛模型里，唯 一一个在6大评测维度中，获得其中4项前4名次的模型，体现出极强的综合能力。
作为世界模型赛道的权威评测基准，WorldArena 由国际顶 尖高校及科研机构联合共建，WorldArena 2.0在1.0的基础上构建全面基准，从模态、功能、平台三大关键维度扩展具身世界模型评估。本次评测的WorldArena Track 1赛道，聚焦具身智能模型的基础核心能力，重点考核模型“看得准、猜得对、画面真实合理”的核心素养，突出模型在物理因果上的合理性。
考核标准严苛，专业度拉满，WorldArena Track 1吸引了全球几乎所有顶 尖世界模型研发团队同台竞技，每一次榜单更新都代表着全球具身世界模型领域的最高技术水准，被誉为具身世界模型的“国际竞技场和权威试金石”。
在本次激烈的全球同台比拼中，昆仑行短时间内便完成模型训练、优化和多次迭代，作为昆仑世界模型（Kunlun World Model）的第 一代版本，初次亮相即实现全面领 先，尤其是在物理一致性（Physics Adherence）和可控性（Controllability）核心能力上的优秀表现，展现出昆仑行研发团队对世界模型物理因果的深刻理解和架构创新。
昆仑世界模型：遵循物理因果的世界模拟器
业内已逐渐形成共识，一个优秀的具身机器人大脑，并不能只简单地模拟动作；更关键在于它能不能理解真实的物理世界，尤其要严格地遵循物理因果关系。
在这样的背景下，“世界模型”成为了当下最热门的概念。在具身领域，世界模型扮演了不同的角色。它可以基于用户的输入，“渲染”出相当真实的画面；也可以基于某种转移模型，“模拟”状态的变化；还可以反过来，给定当前的观测和未来的目标，“规划”智能体的动作。
昆仑行认为，在具身智能领域，一个真正理解物理因果的世界模型，不能局限于“渲染”——即生成视觉上真实但物理上不可靠的视频——世界模型必须具备模拟器的能力：理解真实世界的物理因果，忠实地预测“如果执行某个动作，世界会如何变化”。模拟是世界模型最关键的能力。掌握了模拟，世界模型才有可能具备规划的能力；反过来则不行。
因此，基于「物理因果」的第 一性原理，是昆仑世界模型架构设计的基本原则。
基于因果关系的模型架构
有别于业内主流的按照“文本归文本、视觉归视觉、动作归动作”的模态拆分的方式，昆仑世界模型将视野放在一个经常被忽视、但至关重要的深层结构上——因果关系。
昆仑世界模型 不按模态拆分，而是按因果图中的角色语义，将模型拆为三座参数独立的 Transformer 塔（Tower）：Tower 1 负责 Intent（目的），以自回归方式编码语言指令和场景理解，确定“要做什么”；Tower 2 负责 Intervention（干预），以 flow matching 范式建模动作序列，确定“怎么做”；Tower 3 负责 Consequence（响应），同样基于 flow matching 生成未来视频帧，呈现“做了之后会发生什么”。
三座塔共享 decoder 基础结构，但每层拥有独立的投影矩阵、前馈网络和归一化参数。
昆仑世界模型的架构图
这一拆分的关键价值体现在塔间的信息流控制上。昆仑世界模型通过联合因果注意力机制（United Causal Attention），在三塔之间施加严格的单向可见性约束：Tower 2 可以看到 Tower 1，但不能看到 Tower 3；Tower 3 可以同时看到 Tower 1 和 Tower 2。
这意味着“行动决策”可以参考“任务目的”，但不能偷看“尚未发生的视觉后果”；而“视频渲染”需要同时知道“要做什么”和“怎么做”，才能生成物理因果上合理的画面。
消融实验印证了这一设计的必要性：一旦切断其中任意一条注意力通路，模型便会迅速从“因果仿真”退化为“默写模式”——它不再依据具体动作推演物理后果，而是直接将任务描述映射到训练集中最相似的视频片段，产生违背物理规律的画面（如物体在无对应动作的情况下自行运动）。这一退化在评估模型物理合理性的核心维度交互质量（Interaction Quality）上表现得尤为明显：切断其中一条因果通路后，交互质量急剧下降，物体不能严格遵循末端夹爪的操作，接触后的行为表现不符合物理规律。昆仑世界模型 在这个维度上取得了82.40的高分，正是因果架构发挥作用的直接体现。
以“挂杯子”任务为例。如果切断 Tower 3和 Tower 2的因果通路，也就是说，视频生成时只看文本不看动作，操作对象就会出现不合理的运动。我们的消融实验证实了这个结论。
消融实验。输入任务描述：“Use your left arm to grab the drinking mug with smooth body, rotate it, set it down, then hang on the angular rack with slanted support rod”。（左侧）切断动作和视频的因果通路，机械臂的运动没有遵循给定轨迹；并且在挂上去的瞬间，杯子自行运动，明显违反物理规律。（右侧）在我们的终版模型中，Tower 3 既看文本也看动作，预测视频遵循动作轨迹，杯子的位置变化合理。
三塔架构还天然支持多任务的统一推理。借鉴 UniDiffuser 的思想——“作为条件”与“作为生成目标”不过是同一去噪过程在不同噪声水平下的两端——通过调整各塔的噪声参数，同一套架构和权重即可在世界模拟、策略推理、联合预测等多种模式之间灵活切换。当动作塔和视频塔同时处于生成状态时，昆仑世界模型采用异步调度策略，让动作塔的去噪进度始终领 先于视频塔，确保视频生成看到的动作信息始终更干净、更可靠。
面对长时序视频生成的需求，昆仑行研发团队设计了 Chunk-wise 自回归方案：长视频被拆分为多个片段逐段生成，核心挑战在于后续片段的上下文缺失。
为此，昆仑世界模型 引入了仿生记忆采样策略——模仿人类记忆的衰减规律，近端帧高密度保留以维持运动连续性，远端帧稀疏采样以保留任务全局进度。配合绝 对时序位置编码和帧率自适应放缩机制，模型在所有生成阶段都能准确感知物理时间位置，并灵活控制动作节奏。
仿生记忆的消融实验。输入任务描述：“Take the bottle with green cap with arms, put it in the dustbin with white inner bag, repeat the same for the transparent bottle and the rounded bottle with a white neck”。（左侧）不加入记忆机制，随时间推移，出现物体凭空消失、形变等现象，背景噪点也在不断累积。（右侧）模型加入仿生记忆采样策略，chunk 间衔接流畅，长时序下稳定保持物体和背景的一致性。
最终，昆仑世界模型 在 WorldArena 2.0 Track 1 基准测试中，以综合得分 65.91 获得全球亚军，并在图像质量单项上斩获冠军。并在多项核心能力指标上实现全面领 先。
昆仑行机器人的模型研发负责人郝志会博士认为，“在研发昆仑世界模型的过程中，我们反复验证了一个核心判断：世界模型的架构设计应当尊重物理世界的因果结构。目的驱动行动，行动产生结果，这条因果链不仅是人类理解物理世界的基本框架，也应当成为模型架构的第 一性原理。当归纳偏置对齐问题本质，我们看到了指标的提升，也看到了训练效率和泛化能力的同步改善”。
昆仑世界模型 是昆仑行沿这一技术方向迈出的第 一步。接下来，研发团队将在更复杂的任务场景中持续验证和扩展模型能力，并将昆仑世界模型应用于行为规划和仿真强化，推动世界模型从视觉渲染器进化为真正的物理智能基座。
关于昆仑行
昆仑行（Kunlunx AI）致力于打造面向物理世界的通用 AI 机器人。公司坚持 “本体 + 大脑” 双轮驱动战略，构建通用 AI 机器人本体、数据、小脑、大脑、智能体五位一体的全栈核心技术自研体系。我们相信物理因果是具身智能的第 一性原理：不是模仿动作，而是理解世界。
公司打造以物理因果为核心的昆仑世界模型（KWM），让AI 机器人真正像人一样学习、理解、进化，推动物理 AI 从实验室走向真实场景的规模化应用，让智能在物理世界中真正创造价值。