在9月26日举行的第五届全球数字贸易博览会上，杭州美梦空间科技有限公司（下称“美梦空间”）发布了两项具身智能领域成果：物理-世界动作模型Physical-WAM，以及机器人物理漂移评测基准RoboTwin-Phys。两项成果均已开源。

VLA的物理短板：看得懂指令，摸不准物理

当前，视觉-语言-动作（VLA）模型是具身智能的主流技术路线，但其物理鲁棒性正受到学界关注。北京大学与BeingBeyond联合发布的BeTTER基准（ECCV 2026）显示，VLA模型在标准静态测试中的表现尚可，但在空间布局偏移、时序外推等干预条件下，任务成功率显著下降。斯坦福大学的相关研究则指出，在接触密集型任务中，VLA存在“精度失效”与“力失效”两类相互独立的失效模式——模型可以识别目标物体并规划动作，却难以感知物体质量、摩擦系数、重心变化等物理属性。

数据层面的约束同样明显。文本、图像领域的训练样本可达数十亿级，而机器人真实物理交互数据因采集周期长、硬件损耗成本高、跨本体迁移存在壁垒，目前仅维持在百万量级，两者相差多个数量级。

Physical-WAM：在感知与动作之间插入“物理Token”

针对上述问题，美梦空间提出Physical-WAM。与传统世界模型采用像素或隐空间向量作为中间表征不同，该模型在感知输入与动作输出之间引入一层“物理Token”表征，用以编码摩擦、重量、重心、接触状态等不可直接观测的物理量。

据公司介绍，Physical-WAM由三个模块构成：PhysLens从多模态感知信号中提取物理信息，输出物理Token；PhysDream基于当前物理表征与环境状态，推演候选动作可能导致的未来物理状态，并对打滑、脱手等风险给出不确定性评估；PhysAct将物理属性与未来状态预测引入动作生成，在环境发生物理漂移时调整执行策略。三者构成“感知—预测—生成—修正”的闭环。以抓握纸杯为例：PhysLens识别杯壁的低刚度特性，PhysDream预测注水后负载增加可能导致的形变或滑脱，PhysAct据此调整抓握力度与接触位置，并在执行过程中持续修正。

公司称，Physical-WAM基于可观测数据与深层物理数据训练，可在真实任务中实时觉察物理变化并预判动作后果。

RoboTwin-Phys：把物理扰动变成可控、可复现的变量

技术路线的竞争最终需要评测来检验。现有基准多测量“任务完成度”——即在固定摩擦、固定质量条件下模型能否完成任务，对物理参数扰动的鲁棒性覆盖不足。

美梦空间同步发布的RoboTwin-Phys，是业内首个以物理因素扰动为核心评测对象的机器人操作基准。该基准在RoboTwin框架基础上新增13类真实场景常见物理扰动，覆盖物体属性、接触属性、阻尼、任务环境、相机配置五个维度，支持单因素与多因素组合扰动。评测分三层递进：物理属性推断的准确性、扰动下的任务成功率，以及模型性能上界。据介绍，基准提供物理真值标注（物理参数、接触力日志、运动学数据、失败时间线），并采用固定种子配对评估，即让不同模型面对相同扰动实例，以降低随机性对结果的影响。由此可区分两类失败：物理状态识别错误，与识别正确但动作策略未能适配。项目代码、数据集与排行榜均已开放，支持第三方复现。

获索辰科技独家种子轮投资，落地效果仍待检验

美梦空间由北京大学信息技术高等研究院高文院士领衔的AVS先进视觉系统研究中心孵化，研发方向为世界模型，核心团队来自具身智能、视频编解码、空间计算等领域。2026年8月，物理AI企业索辰科技（688507.SH）完成对美梦空间的独家种子轮战略投资，双方在数据、算力、物理AI等层面展开协同。

不过，“世界模型”目前尚无统一技术定义，视频生成、状态预测、基于模型的强化学习等研究路径差异较大，美梦空间提出的路线是其中一种探索。公司方面也承认，Physical-WAM仍面临若干未解问题：物理Token对表面粗糙度各向异性、材料非线性弹性等细粒度属性的表征上限；同一物理参数在不同末端执行器（如二指夹爪与灵巧手）之间的迁移效率；以及仿真引擎保真度对PhysDream推演精度的制约——对织物大变形、颗粒材料流动等仿真难以建模的物理效应，闭环系统的鲁棒性边界尚不明确。

美梦空间CEO李明昊表示，下一步将按“视觉先行，力触声递进”的路线迭代多模态物理表征模型，扩充物理交互数据集，优化推理延迟与多本体适配。他表示，将以开源方式推动行业共建。

总体来看，美梦空间试图从“物理感知”这一细分角度切入世界模型的竞争，其评测基准的开放性或有助于行业建立统一的检验标准。但模型实际性能与产业落地效果，仍有待更多公开数据和第三方评测验证。