6 月 29 日，无界动力正式发布「长时序双向物理因果链」隐空间世界模型——MWA 具身通用大脑，同时在由斯坦福大学等机构联合发起的具身智能榜单 RoboCasa GR1 TableTop 中刷新行业纪录、登顶全球第一。

MWA 摒弃了像素空间预测的冗余噪音与高算力消耗，全程在统一共享潜空间完成推演。

同时，MWA 实现了时序 Chunk 级逆向动力学建模机制，突破传统世界模型「单步潜动作推理」的桎梏，重构逆向动力学模型的输出范式，使之具备长时序因果归纳能力，可批量推理输出连续多步 Latent Action Chunk 动作组。

目前行业数据集普遍存在「重正轻负、样本单一」的共性问题，绝大多数由纯粹的正样本构成，或仅掺杂极少量的负样本。单一的样本结构无法支撑强化学习所需的稠密奖励训练，模型缺少多维度样本对照与边界约束，面对真实工况中的异常扰动时，极易因认知缺失陷入决策瘫痪、泛化能力不足。

在这个问题上，无界动力首创 AnyPhys 负样本核心数据体系，将深层负样本、细粒度边界失稳样本、用于策略对齐的次优样本与基准正样本深度交织，构建出高信息稠密性的物理边界坐标系，补齐了强化学习稠密训练所需的全维度样本短板。

机器人人形机器人具身智能