跨维智能发布全球首个机器人任务原生3D世界模型UNITAS，横扫多个榜单

大语言模型之所以能 scale，一个重要基础是海量来源各异的知识被统一进同一种输入输出空间——文本。跨维智能的论文 UNITAS 把这个问题搬到了具身智能上：感知、动作与世界变化长期使用不同表示，模型的能力被消耗在“翻译”而不是“理解”上。UNITAS 给出的回答是三维物理世界本身，把机器人看见什么、自己怎么动、世界因此怎么变化，统一放进同一个三维物理表示空间。

需要先分清哪些是已确认的事实。论文发布、项目页与开源代码公开、参数量 1.7B，这些属于可核验的发布事实。而“全球首个机器人任务原生 3D 世界模型”这一首创性定位，来源明确标注为论文作者调研所得，属于作者自述，缺乏外部确认。

本文要追问的核心问题是：UNITAS 的“3D 原生”主张，究竟在多大程度上被它自己给出的证据支撑，又在多大程度上仍停留在厂商叙事里。

来源把过去的方法归为 3D-aware World Action Model：它们引入深度、点云或几何约束，但核心表示仍建立在二维视觉或其他潜在特征之上。UNITAS 主张的差别在于，三维不再只是辅助信息，而是模型理解世界的基础——主干模型直接处理三维 Token，不通过图片 Token 作为桥梁。

这一主张落到具体结构上，是动作流与场景流的联合建模。动作流指操作本体上点的运动轨迹，场景流指场景中点的运动轨迹，两者在同一坐标系中连接，使机器人控制与世界预测成为同一坐标系下的问题。论文的消融实验称，加入场景流监督后动作策略本身的性能还在继续提升。

为支撑跨本体、跨数据集的联合学习，UNITAS 提出两个模块：世界对齐的 3D 位置嵌入，用于统一三维坐标编码并可在视锥范围内补全缺失深度，从而支持 RGB-D 与 RGB 数据；物理时间轨迹编码器，用 FiLM 调制把不同时长与频率的轨迹对齐到同一物理时间特征空间。主干模型 Point Dynamics DiT 兼具策略模式与模拟器模式。

这里需要标注不确定性：来源只给出消融结果，未做外部对照，因此“3D 原生”表示本身带来的增益中，有多少来自表示、多少来自数据与训练策略，尚无法拆分。