摘要：1.7B参数的UNITAS在LIBERO基准上取得99.8%平均成功率，全面超越6B的Fast-WAM和8B的Motus。参数少了3到4倍，成功率反而更高。靠的不是模型更大，是世界模型直接作用在三维Token上，不经过图片Token这座桥。
一、1.7B打赢6B和8B：不合常理的数据
| 基准 | UNITAS（1.7B） | 对比模型 |
|---|---|---|
| LIBERO平均成功率 | 99.8% | Fast-WAM（6B）、Motus（8B）被全面超越 |
| LIBERO-Long子集 | 99.4% | 保持高位SOTA |
| LIBERO-Plus | 89.1% | 全面超越 |
| RoboTwin 2.0 Clean | 92.94% | 全面超越 |
| RoboTwin 2.0 Randomized | 93.04% | 全面超越 |
| 真实机器人任务 | 85%平均 | 验证仿真到现实的迁移潜力 |
RoboTwin 2.0覆盖50个双臂任务、5种机器人本体、超过10万条专家轨迹。在这个基准上全面领先，说明UNITAS的泛化能力不只是仿真环境的过拟合。
二、翻译税：具身智能最大的隐性成本
今天具身智能的主流做法是：感知用一套表示，动作用另一套表示，世界变化再用第三套表示。同一个推杯子的动作，换个相机视角，像素变化就不同。模型的能力，被消耗在了不同特征空间之间的翻译上。
这就像让一个不懂中文的人做同声传译，先翻成英文，再翻成法文，最后翻回中文。每一步都损失信息，每一步都消耗算力。
UNITAS提出的问题是：如果有一个统一的空间，让观察、动作、世界变化都直接在那里表达，翻译还需要吗？
三、3D原生：不经过图片Token这座桥
| 对比维度 | 主流世界模型 | UNITAS |
|---|---|---|
| 基本单元 | 图像Patch或视觉潜变量 | 三维点云Token |
| 中间桥梁 | 图片Token | 无，直接在三维空间 |
| 空间一致性 | 视角相关，像素距离不等于物理距离 | 世界坐标系，距离即物理距离 |
| 跨本体迁移 | 不同机器人需重新适配 | 人手和夹爪共享同一表示 |
照片是投影，房间是本身。
UNITAS的核心机制是用两条三维点轨迹流描述完整的物理交互。动作流描述人手或夹爪关键点如何随时间在三维空间中移动。场景流以动作流为条件，描述杯子、桌面等场景中的点如何移动。
关键设计在于：这两条流在同一个三维坐标系中端到端联合建模。不是先预测动作、再单独预测世界变化，而是一次推理同时输出两者。
四、两个支撑机制
世界对齐三维位置嵌入：把视觉Token锚定在统一的世界坐标系中。无论输入是否包含深度信息，模型都能知道每个Token对应的三维空间位置。
物理时间轨迹分词器：把每个点的轨迹编码为一个Token，锚定在该点的当前三维位置上。一条随时间变化的轨迹，在模型中只占一个Token的位置。
五、两个可以直接迁移的判断
第一，检查你的具身系统有没有翻译税。你的观察、动作和世界预测，是否使用了不同的表示空间？如果是，模型的一部分参数预算被消耗在了翻译上。消除翻译层的收益，可能比增加参数量更大。
第二，不再相信参数越大越强。UNITAS用1.7B打赢6B和8B的事实证明：当表示空间对的时候，参数效率可以提升一个数量级。
检验一个具身模型是否真的3D原生了：模型的输入Token是否直接来自三维坐标，而不是从二维图像推断出来的？动作输出和场景预测是否在同一个坐标系中表达？更换机器人本体时，是否需要重新训练动作输出头？
如果三个问题的答案都是否，那么这个模型只是在二维架构外面套了一层三维外壳，本质上仍然在做翻译。
查看原文
以上仅为核心速览。完整版包含：UNITAS完整架构拆解、双流建模代码级分析、World-aligned位置嵌入与Physical-time分词器技术细节、与Fast-WAM/Motus/PointWorld的消融对比实验、真实机器人任务完整数据、以及边界条件与后续验证方向。
本文首发于微信公众号「阿Q的AI笔记」，点击下方链接阅读全文：