在机器人技术快速发展的今天，具身智能领域正面临一个关键挑战：如何让机器人真正理解物理世界的运行规律。当前主流的世界模型虽然能生成逼真的视频画面，却难以准确预测机械臂与环境的真实交互效果。这种"画面精美但物理失真"的现象，暴露出行业在模型设计上的根本性缺陷。
成立仅三个月的中国初创企业莫刻机器人，凭借其创新的LJM（Latent Joint-conditional Model）架构，在全球权威评测平台WorldArena上以匿名身份斩获总榜第二名。该模型在LIBERO机器人操作基准测试中，以89.17的运动质量、92.60的三维精度和85.93的可控性得分，全面刷新四项视觉指标纪录。更令人瞩目的是，这个突破性成果仅使用32张显卡就完成了全流程训练。
传统模型陷入"画面优先"的误区，导致物理交互预测严重失真。测试数据显示，具有电影级画面生成能力的通用视频模型Wan2.2仅得62.35分，与头部专用模型存在明显差距。问题根源在于现有方案将99%的计算资源用于优化画面美观度，却忽视了夹爪接触、物体形变等关键物理细节——这些真实交互信息在视频中往往不足1%的像素占比。
LJM模型通过"双脑协作"架构破解了这个困局。其推理专家模块基于改进的Qwen3-VL-2B模型，专门负责在隐空间推演交互剧本：机械臂的运动轨迹、接触时间点、物体抓取结果等关键物理参数。世界建模专家则采用改造后的Wan2.2-TI2V-5B视频扩散模型，将推演结果转化为流畅的视频画面。这种"先理解后生成"的流程设计，从机制上避免了物理逻辑与视觉呈现的割裂。
为确保物理预测的准确性，研究团队为每个推理token设定了三维坐标预测、视觉状态变化、光流运动方向三重监督目标。通过Mixture-of-Transformers共享注意力机制，两个专家模块在Transformer的每一层都能实时交换信息：视频生成模块及时获取最新推理约束，推理模块同步调整推演结果。这种深度耦合的设计，使模型能同时满足毫米级动作精度和高层物理解释的需求。
针对世界模型普遍存在的记忆衰退问题，LJM引入价值驱动时序条件（VTC）机制。通过算法筛选关键历史帧构建记忆库，使模型能准确维护交互后的物体状态。对比实验显示，启用VTC后物体消失或重复生成的问题减少67%，空间关系预测准确率提升42%。这种长时记忆能力，为机器人执行复杂序列任务提供了可靠保障。
在LIBERO基准测试中，LJM在PSNR、SSIM、FVD和LPIPS四项核心指标上全面超越现有方法。研究团队强调，单纯的视频生成能力不等于有效的机器人世界模型，只有将动作信号转化为包含语言、场景和未来状态的交互变量，才能构建真正可控的动态预测系统。这一认知突破，为具身智能的工程化落地开辟了新路径。
据悉，莫刻机器人从项目启动就同步开展分布式训练优化和国产算力适配，全流程在阿里云真武810E平台上完成。这种软硬件协同设计理念，使模型在保持高性能的同时，具备快速工程化部署的潜力。随着LJM架构的推广应用，机器人有望通过在虚拟世界中的"预演学习"，显著缩短现实场景中的适应周期。
