章鱼动力SYNWorld V0.5评测领先π0.5与Cosmos

8 月的世界机器人大会（WRC）上，成立才 7 个月的章鱼动力（SynapX）发布了具身世界模型 SYNWorld V0.5。

展台上方有块大屏，机械臂在下面拼积木，屏幕上则把它的当前状态和模型预测的未来画面并排显示。如果你细节观察，会看到一个细节：预测画面总是能比机械臂的实际动作先一步出现。

但那时能获取到的信息并不太多，能知道的基本就是 MoT 架构、30 万小时数据，再加上 ACWM、WAM 两个缩写。

终于在上周五，章鱼动力在官方网站与微信公众号同步发布了一篇关于 SYNWorld V0.5 的技术博客，第一次完整公开了背后的 Scaling Engine、训练数据、模型架构和评测结果。

微信公众号：SYNWorld V0.5：从 Scaling Engine 到具身原生基础模型

官网：https://www.synapxdynamics.ai/blog/2

真机和仿真评测中，SYNWorld V0.5 都领先 π0.5 与英伟达 Cosmos3 Nano，视频生成的双盲评测也胜过了 Cosmos3 Nano。

章鱼动力今年 1 月成立，创始人都大龙是地平线的第 6 号员工。

公司的技术路线叫「脑-手-数据」：SYNWorld 世界模型是脑，OctoH-Hand 灵巧手是手，OctoSense 是数采方案，三者协同迭代。

SYNWorld 的背后，是一套把数据、训练和部署评测放在一起协同设计的基础设施，章鱼动力叫它 Scaling Engine。

V0.5 正是依托这套系统训练出的第一个版本。

它的出发点是 Sutton 那篇 The Bitter Lesson（苦涩的教训）：能随算力扩展的通用方法，长期来看总会赢。

而章鱼动力在这之上又加了一个判断，Scaling 是「各向异性」的。

模型容量、数据规模、模态覆盖、任务与场景，这四个方向都能扩展。但同样的投入换来的提升并不一样，所以要靠实验找出当前阶段「斜率最大」的那个方向。

数据系统是一套自研的、基于 Ray 的分布式流水线，解码、筛选、标注、编码各自独立配置资源和并发。

计算、网络、存储也都做了协同优化，数据处理和训练共享同一个资源池，按需弹性扩缩。

甚至连运维都交给了 Agent，由它诊断瓶颈、编排实验。

训练系统则是一个组件化的统一框架，支持多任务联合采样、变长序列打包、自定义 Attention Mask 与上下文并行。

并行策略上，TP、PP、EP、CP、HSDP 按需组合，checkpoint 也是异步保存的。

这一整套系统级优化下来，训练效率提升了 10 倍。

SYNWorld 的训练数据总量超过 30 万小时，目前每天还在新增 1 万小时以上，覆盖 1000 多个场景、10 多种机器人本体。

人类数据之所以能用起来，靠的是一套统一的 59 维动作表示。

除了相机和身体的运动、左右腕的位姿与夹爪开口，左右手各五个指尖的位置也被写进了动作空间。

人手数据和机器人数据，便能在同一套接口里一起训练。

至于人手数据的采集，章鱼动力用的是自研的肌电全模态数采方案。

戴一个腕部手环，就能靠肌电信号重建手部姿态，还能估计触觉信息，采集门槛也随之降低。

现在机器人大模型的主流做法是 VLA，比如 Physical Intelligence 的 π0.5，在视觉语言模型的基础上增加动作输出。

SYNWorld 走的则是具身原生世界模型路线，先学视频生成，再学动作，让模型理解物体如何运动、动作如何改变环境，再据此生成动作。

模型采用 Mixture-of-Transformers（MoT）架构，语言、视觉、动作三种模态各自保留参数，通过跨模态注意力交换信息。

预训练分两步,先用通用图像和视频学习视觉生成（GV），再加入 Ego、UMI 和机器人数据，联合学习视觉与动作（GVA）。

从同一个 GVA 底座出发，又后训练出了两个模型：

WAM（世界动作模型）负责执行任务，根据观测和指令，同时生成未来的动作和画面。

ACWM（动作条件世界模型）负责预演，给定一组动作，预测环境接下来会怎样变化。

博客里的 ACWM 演示中，操作员戴着手套做动作，模型实时生成机械手跟随动作的画面：

世界模型每做一次决策，都要连带生成一段画面，推理速度直接决定了它能不能用在真机上。