机器人时空一体架构动作模型评测，复旦团队首发

通用人工智能的战火，已经从虚拟的数字空间，一路蔓延至真实的物理世界。

可以说，具身智能、机器人大脑，已成为当下AGI赛道竞争最激烈、也最关键的战略高地。

当前行业主流的VLA视觉语言动作模型、通用世界模型、视频推演方案，普遍存在几个硬伤：空间感知精度不足，物理逻辑约束时常失效，长时序规划能力有限，真机部署的鲁棒性更是一言难尽。说白了，这些模型在虚拟环境里表现尚可，一到现实世界就“水土不服”，难以支撑机器人实现真正的自主感知、推理、决策与稳定交互。

在物理AI产业快速迭代的关键节点，深耕世界动作模型底层技术五年的复旦系科创企业眸深智能，正式推出了STI-WM时空一体世界动作模型（Spatiotemporally Integrated World Model）。

作为专为机器人原生打造的通用具身大脑，该模型的核心围绕三个关键词：时空一体化建模、物理一致性约束、端到端原生融合。这不是简单的技术改良，而是从底层架构上彻底打破了传统模型的技术桎梏，为物理世界AGI落地开辟了一条全新的技术路径。

复旦+英特尔+英伟达，硬核学术成果奠定全球第一梯队地位

眸深智能的技术突破，并非一蹴而就，背后是长期的学术积淀与全栈工程能力。

公司核心团队源自复旦大学深度学习实验室，构建了一个典型的学术科研、工程落地、产业商业化三位一体架构：复旦大学未来信息创新学院教授、深度学习实验室主任陈涛坐镇科研底层，原英特尔中国首席科学家张益民博士和来自英伟达的技术负责人掌舵工程化落地，95后复旦连续创业者穆泽林主导商业化布局。这套被称为“复旦铁三角”的核心阵容，实力不容小觑。

团队超九成核心研发人员来自复旦大学，汇聚百余名校硕博人才。关键在于，他们在2021年行业风口尚未到来时，就已经前瞻性地布局了世界模型、三维感知、时序动作生成三大底层核心技术，持续深耕。

多年积累让团队斩获多项全球顶级赛事冠军与顶级学术荣誉：

• 推出全球首个人形动作生成大模型MotionGPT、三维世界模型HL3DWM；
• 拿下ICCV2023全球三维目标识别冠军、CVPR2024三维密集语义推理冠军；
• 斩获IJCAI2025杰出论文奖，是近五年国内唯一斩获该奖项的具身智能团队；
• 团队技术负责人入选2025年中国具身智能新秀EAI榜单20强。

其原创技术成果被英伟达DAIR等国际顶尖实验室引用，学术创新与工程落地能力稳居全球第一梯队。

重构行业技术范式：5年沉淀，开创并引领世界动作模型路线

当前行业多数方案仍采用通用世界模型+VLA拼接的改良模式。这种模式下，模态之间的信息割裂与损耗严重，就像用不同频道的对讲机沟通，缺乏真实物理世界的约束。最终结果往往是“视觉上看起来合理”，但无法适配机器人真机落地的真实需求，动作一执行就露馅。

眸深智能的思考方式不同。他们从AGI本质出发，率先确立了世界动作模型原生融合路线：机器人与物理世界的一切交互，最终都落地为动作。唯有精准理解时空演化规律、遵守物理逻辑、实现端到端原生映射，才能真正解决机器人泛化性差、落地难的行业顽疾。

早在2022年，团队便创新性地提出了全球首个影空间语言-动作端到端映射MLD模型，成果发表于CVPR 2023。这个核心思路，在2025年5月被英伟达DAIR实验室的核心工作引用验证，足见其前瞻性。

历经五年迭代，团队已完成7代动作模型技术更新，在多模态端到端融合、高精度动作生成、时序逻辑推演领域积累了深厚的技术护城河。动作精度、推理速度、任务泛化性持续领跑行业。

机器人原生架构四维统一，破解真机落地核心痛点

不同于行业依托大语言模型进行二次改造的适配性方案，STI-WM时空一体世界动作模型是完全面向机器人长时序规划、在线闭环控制、真实物理交互打造的原生具身智能框架。它实现了空间结构、时间演化、物理一致性、执行鲁棒性四维一体化统一。

模型可兼容RGB图像、深度点云、机器人本体多模态感知输入，将复杂环境信息统一编码为紧凑高效的时空潜在世界状态。上层可支撑百秒级长时程任务推演与全局轨迹规划，下层则输出精准可控的精细化动作片段。同时依托实时环境观测进行动态纠偏与在线重规划，构建出一个完整的“理解世界—推演未来—规划动作—执行纠错”的物理智能闭环。

相较于Dreamer系列偏重环境预测、忽视真机控制的通用世界模型，LWM、PWM等时空割裂的抽象动作模型，以及仅追求视觉逼真、无视物理可行性的视频生成模型，STI‑WM跳出了纯视觉推演的误区。它把三维几何约束、动力学校验、真机闭环执行作为核心，彻底解决了传统模型信息失真、泛化薄弱、落地困难的问题，让机器人真正做到看懂三维空间、遵守物理规则、自主规划任务、稳定闭环执行。

六大核心技术壁垒，支撑机器人规模化落地

依托五年全链路自研积淀，STI‑WM构建起行业难以复刻的六大技术优势：

1. 时空一体化原生建模：空间结构与时间动态实时耦合，消除多模块拼接的信息损耗，大幅提升推理效率与决策精准度；
2. 原生三维感知能力：基于点云直接还原真实物理空间，彻底规避2D视觉深度缺失、空间误判的固有缺陷；
3. 内置物理一致性引擎：融合碰撞检测、动力学约束，从底层杜绝不合理动作与环境崩坏，保障真机执行安全稳定；
4. 长时程高阶规划：突破传统短片段动作局限，支持百秒级连续复杂任务自主推演，适配真实场景复杂作业需求；
5. 端侧轻量化部署：自研模型压缩、量化蒸馏技术，实现百亿级大模型低成本落地机器人端侧芯片，大幅降低产业化算力门槛；
6. 小样本强泛化能力：依托虚拟世界大规模预训练+少量真机微调，高效适配陌生场景与长尾任务，大幅降低数据依赖。

资本与商业双爆发，产业化进程突飞猛进

凭借底层架构原创创新、全栈自研技术壁垒、以及可落地的商业化能力，眸深智能迎来了高速发展期。一个关键数据：半年内完成5轮融资，3亿元Pre-A轮融资获5倍超额认购，获得了国家级投资平台、头部产业资本、券商机构的高度认可。

商业化落地同步驶入快车道。公司已与宇树科技、禾川科技、颐家养老等行业头部企业达成深度合作，技术落地覆盖工业制造、居家康养、商业服务等多元真实场景。

目前，眸深智能已与近十家上市公司达成战略合作，其中包含五家以上千亿级产业龙头，未来三年预计可锁定10亿元订单支撑。技术产业化速度远超行业平均水平。

当下，AGI竞争正式进入物理智能新时代。可以确定的是，以世界动作模型为核心的原生具身大脑，已然成为通用机器人的核心底座。

未来，眸深智能将持续迭代STI‑WM模型体系，全面赋能人形机器人、四足机器人、工业机械臂、服务机器人等全品类硬件，加速通用具身智能的规模化落地，推动中国原生物理AI技术领跑全球，开启物理世界AGI的全新纪元。