Boundless Dynamics Open-Sources MWA™-Phoenix World Model, with Qianjue Tactile Sensors Supporting a Sweep of Six Leaderboards
English text is being prepared.
Boundless Dynamics has released and open-sourced MWA™-Phoenix, an on-device 7B-parameter, fully pre-trained latent world model foundation. According to its published results, it ranks first across six simulation and real-robot evaluations, including LIBERO-Plus (94.63% overall success rate), LIBERO-Pro, and the RoboDojo real-robot leaderboard. All real-robot tasks in this work used Qianjue tactile sensors as the source of tactile input; Phoenix-ILA encodes motion and tactile sequences into a shared interaction latent space. Ablation experiments show that the cucumber-peeling success rate rose from 20% to 40%, and plate-wiping from 75% to 90%. Its Phoenix-PhysCanvas visuotactile world model predicts visual and tactile feedback conditioned on actions and supports GRPO reinforcement learning post-training; the real-robot success rate rose from 58.33% to 75.00% on the test-tube task and from 80.00% to 86.67% on the building-block task.
Why read this
AI score 50
The original text provides six evaluation results and ablation data, offering insight into how tactile data enters the training and prediction stages of the world model.
Topics
Body
近日，无界动力(Anyverse Dynamics)发布并开源端侧7B参数、完整预训练的 MWA™-Phoenix隐空间世界模型基座。据其公开结果，模型在LIBERO-Plus(总体成功率94.63%)、LIBERO-Pro、RoboDojo真机榜等六项仿真与真机评测中位列榜首。 此次发布的真机操作任务均使用千觉触觉传感器作为触觉信息输入源。在这套方案里，真实接触信息直接进入动作学习，也被用于预测动作后的触觉反馈。 对千觉而言，这也是长期投入触觉感知与数据质量的一项应用实践。模型理解触觉并用于操作，正在成为双方技术能力的交汇点。 触觉数据直接参与动作学习 千觉长期关注操作过程中的接触信息。触觉细节与运动一一对应，模型才能从示范中学到一次操作是怎么完成的。 在无界动力的研究中，Phoenix-ILA将同步运动与触觉序列编码进同一交互潜空间。模型共同学习运动、局部触觉形变及受力相关信号，通过联合重建保留它们之间的时间关系。例如，削皮刀沿着黄瓜运动时，刀口与表面的贴合情况也被记录下来；盘子擦拭过程中，工具移动与接触变化共同构成操作样本。 无界动力公布的消融实验显示，加入Phoenix-ILA后，黄瓜削皮成功率由20%提升至40%，盘子擦拭成功率由75%提升至90%。在需要持续贴合表面的操作中，真实的接触过程数据能够为动作学习提供直接依据。 世界模型如何预测触觉反馈 除了参与动作表征，触觉数据也被用于部署前的策略训练。 无界动力自研的Phoenix-PhysCanvas，是一个以动作为条件的视触觉世界模型。策略给出动作后，它预测相应的视觉与触觉反馈，为后续操作提供观测，并支持GRPO强化学习后训练。 训练在可交互的仿真环境中进行，效果再回到真机检验。无界动力先利用任务示范进行监督微调，再在Phoenix-PhysCanvas中优化策略。试管任务的平均真机成功率由58.33%提升至75.00%；积木任务由80.00%提升至86.67%，分别增加16.67和6.67个百分点。 这里呈现的是视触觉世界模型与强化学习后训练的整体收益。对触觉研究来说，值得关注的是模型的学习目标发生了延伸：除了利用当下的接触信息，还要预测动作执行后可能出现的反馈。 触觉反馈的预测同样依赖真实样本：模型要从数据中建立动作与接触变化的对应关系，而这一关系的准确度，最终由触觉数据质量决定。 真机任务背后的触觉数据标准 此次无界动力发布的全部真机演示，均采用千觉光子触觉传感器获取触觉信号。相关任务既包括旋拧瓶盖、削皮、擦拭等需要实时感知接触变化的精细操作，也覆盖笔袋收纳、三明治制作及咖啡场景长时程任务。这些不同阶段、不同类型的真实接触信息，都由千觉的触觉感知能力提供。 在模型训练中，行业往往关注是否引入了触觉模态，却容易忽略另一个问题：采集到的触觉信号，能否直接作为有效样本参与训练？实际工程里，触觉数据的跨个体一致性、时空一致性与物理一致性常被低估，而这几项指标直接决定了数据能否规模化复用。千觉在传感器和具身数据体系方面的建设，正是围绕这几点展开。 跨个体一致性与重复稳定性，直接影响多机采集的数据能否汇总训练。 具身数据采集通常需要多台设备并行工作，且伴随高频次的反复接触。如果不同传感器的响应存在偏差，或者单台设备在长期使用后出现信号漂移，汇总后的数据就会混入噪声。千觉在传感器的研发与生产中，建立了跨个体一致性和重复稳定性测试标准，保证不同设备在相同条件下的反馈具备可比性，同一设备反复接触后依然输出稳定。 多模态之间的时空一致性，是模型建立动作与接触因果关系的前提。 操作学习需要将视觉画面、运动轨迹与触觉变化对应起来。一旦触觉信号与动作、图像出现帧率错位或时间戳偏移，模型就难以建立准确的交互关系。千觉围绕多模态采集与数据规范开展建设，严格对齐视觉、触觉与动作信号的时间关系。配套的实时监看与过程回放机制，则支持研究人员在采集时即时检查质量、在训练前完成样本复核。 数据表达的物理一致性，关系到触觉信号能否真实还原接触力学过程。 传感器记录的接触信号，需要准确对应接触形变与受力变化，并在真机采集与仿真训练之间保持统一的物理表征。千觉通过触觉仿真与模型研究，持续检验数据的物理一致性，确保记录下来的接触信息符合真实物理规律。 当跨个体一致性、时空一致性和物理一致性都得到保障，完整的触觉信号才能转化为模型可直接使用的训练样本，成为具身模型研究与评测的基础数据。 MWA™-Phoenix的开源，让运动—触觉学习与交互预测的方法有机会被复现和讨论。对千觉来说，前沿团队的实际使用也提供了产品研发的重要反馈：哪些接触信息值得保留，怎样的数据便于训练，感知能力又该如何适应具体任务。 千觉会持续完善触觉产品与数据底座，用高质量真实触觉数据推动机器人操作能力持续进化。