MotuBrain：一种用于机器人控制的高级世界动作模型

arXiv 2026 60.2 method

TLDR

MotuBrain是一个统一的世界动作模型，联合建模视频和动作用于机器人控制，实现了高成功率和实际部署能力。

评分理由

The paper presents a novel architecture combining video and action modeling with strong empirical results on benchmarks and real-world deployment. However, the abstract lacks detailed comparisons to prior work and does not fully disclose limitations or failure cases.

Read-first 评分解释

综合优先阅读分 60.2，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 51。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、基准、实验、指标、结果

主题相关性 29%

72.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

引用影响力 18%

66.5

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.66473274

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：375。

关键词评分

world model

generative world model

video world model

world dynamics prediction

interactive world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

基于UniDiffuser公式和三流Mixture-of-Transformers架构的联合视频-动作建模
统一的多视角建模
独立的文本流以增强语言-动作耦合
共享的跨本体动作表示
面向长时域真实世界控制的高效后训练与部署方案
推理栈结合了步数缩减、编译、FP8量化、DiT缓存、V2A风格纯动作推理以及实时分块闭环执行，实现了超过50倍加速和高达11Hz推理

方法

MotuBrain是一个统一的世界动作模型，基于UniDiffuser公式和三流Mixture-of-Transformers架构。它联合建模视频和动作，支持策略学习、世界建模、视频生成、逆动力学以及联合视频-动作预测。该模型可扩展至异构多模态数据，包括纯视频、任务无关和跨本体机器人数据，并在RoboTwin 2.0和WorldArena基准上使用成功率和EWMScore指标进行评估。

关键结果

MotuBrain在RoboTwin 2.0的干净和随机设置下分别达到95.8%和96.1%的平均成功率，在WorldArena中取得最强的EWMScore，仅需50-100条轨迹即可适应新的人形本体，同时相比朴素基线实现超过50倍加速和高达11Hz推理。

资源

论文