灵巧操作一直被视作世界模型进入物理世界最严苛的一道考验。9月10日，在2026外滩大会的一场见解论坛上，生数科技联合创始人兼CEO骆怡航正式发布面向机器人灵巧操作的自进化通用世界模型Motus2，项目页署名为生数科技的研究身份GensPI与清华大学，技术论文编号为arXiv 2608.30237。9月14日，团队通过新闻稿向全球披露了完整技术细节与真机评测结果。
Motus2要解决的问题很具体：大多数机器人系统把动作模块、世界模拟器与评估器拼装在一起，各自独立训练、彼此信息不通，导致机器人能预测结果却无法判断结果好坏。Motus2把动作生成、后果预测与结果评估塞进同一个共享参数的视频动作模型，试图让机器人在行动之前先看见未来，再判断这个未来值不值得走。
Motus2在一个统一模型里暴露三个控制接口。世界动作模型负责提出可执行的动作块；动作条件世界模型预测这些动作块会造成什么样的视觉后果；价值模型则对预测出的结果打分，供选择与学习使用。三者共用同一套参数，因此策略、模拟与评估之间不存在信息断层，这一点与把动作头外挂在独立模拟器上的做法有本质区别。
闭环在推理与训练两个阶段运行方式不同。推理时采用Best-of-N规划：模型一次采样多个候选动作，先想象各自会带来什么结果，再执行得分最高的那一条，之后机器人重新观察真实场景并规划下一步。训练时则利用候选动作的价值分数做策略更新，让模型更倾向于生成有利于完成任务的行动序列。关键在于更新范围：整个过程只更新与动作相关的参数，预测与评估部分保持冻结，避免反馈把已经学到的动力学知识冲掉。这个设计约束相当重要，因为世界模型一旦被自己的评估信号带偏，后续所有规划都会建立在失真的想象之上。
数据体系遵循以人为中心的金字塔结构。底层是约13万小时第一视角人类操作录制，从单目到同步双目视频；其上叠加超过100小时的机器人轨迹与人机对齐数据。训练分阶段推进：先用单目视频学习物体变化与操作的宽泛规律，再用双目视频与人类动作数据学习空间关系与手物交互，之后进入机器人域中训，最后针对目标任务微调。
这组对比最能说明机器人域中训的价值：在同样的目标任务微调流程下，只用第一视角人类数据预训练的模型，在五项主要任务上平均成功率51%；加入机器人域中训后，这个数字提升到84%。人类数据提供的是宽泛的操作先验，机器人数据负责把这份经验对齐到机器人自身的观测与控制空间。团队还做了数据规模的验证，把双目视频从2000小时扩展到20000小时，持续降低留出集上的动作预测误差，说明这条数据路径仍有扩展空间。
真机评测的结果给了这套机制一个相对清晰的刻度。在五项主要真实机器人任务上，包括放球、多指操作、粘贴橡皮、拧灯泡与放置手机，Motus2平均成功率达到84%，每项任务每种方法各做20次试验。在放手机与多指操作这两项更依赖精细接触的任务上，基础策略的平均成功率约为65%，只加推理时规划约为67.5%，只加基于模型的强化学习约为72.5%，两者叠加达到约75%。这个梯度说明规划与学习解决的是两类不同的问题，合并使用才拿得到最好的结果。
一个容易被忽略的工程细节是动作优先信息掩码。在视频加控制这类方案里，策略容易提前看到未来的视频词元，相当于在行动之前就偷看了答案，学到的关联在真实场景里并不成立。Motus2用掩码阻止策略在确定动作之前接触未来信息，从训练源头切断这条捷径。团队还处理了单帧视觉无法完全刻画的任务状态，引入历史信息保留机制，让模型在遮挡与多步操作中能够利用更早的任务线索，而不是只看当前一帧就做决定。
接触密集型任务对视觉来说是盲区。纸杯被拉出的过程、纸张被撕开的瞬间，关键信息藏在力与摩擦里，摄像头看不到。Motus2为此加入一个轻量触觉专家，它复用主干特征，只在每段短动作执行前读取最新的接触反馈并据此修正动作，不额外引入一套庞大的独立网络。
效果在两个真机任务上得到验证：拉出纸杯与撕纸的平均成功率从约60%提升到72.5%，提高12.5个百分点。硬件层面，演示覆盖双臂机器人平台搭配WUJI、WUJI Hand 2与Sharpa Wave等高自由度灵巧手，任务包括拧灯泡、双手撕纸、翻页、开饮料罐与寻找隐藏物体。团队对自进化的定义也保持了克制：它指的是通过模型预测与价值反馈来改进策略的具体机制，是限定任务内的早期递归自我改进循环，而不是开放环境中无约束的自主学习。这一表述与生数科技提出的世界模型L1到L5五级演进路线相呼应，Motus2探索的正是从L3在世界中行动走向L4自主世界智能体的关键跨越。