A Muka Robotics, uma startup fundada há apenas quatro meses, alcançou o segundo lugar no ranking mundial WorldArena com seu modelo LJM Latent Joint-conditional Model. Este modelo demonstrou qualidade de movimento em nível de 89,17 utilizando apenas 32 GPUs Zhenwu 810E.
O modelo LJM obteve altas avaliações em várias métricas no benchmark LIBERO, atingindo 92,60 em Precisão 3D e 85,93 em Controlabilidade. Esses resultados permitiram que ele superasse concorrentes que utilizavam 10 a 100 vezes mais poder computacional. O modelo foi apresentado anonimamente sob o nome SisyphusWorld.
O LJM resolve um problema fundamental: a otimização em nível de pixel afeta negativamente a compreensão da física. Os modelos de difusão padrão tendem a priorizar a textura do pixel (99%), ignorando momentos críticos de contato entre o gripper e o objeto (1%). O LJM introduz uma arquitetura de dois especialistas que separa o processo de raciocínio do processo de renderização.
O especialista em raciocínio, baseado em Qwen3-VL-2B, opera em um espaço latente contínuo. Ele simula interações com base em instruções de linguagem, histórico visual e sequências de ações planejadas. Paralelamente, o especialista em modelagem de mundo, usando Wan2.2-TI2V-5B, traduz essa interação significativa em quadros de vídeo realistas. A diferença chave é que o especialista em raciocínio deve primeiro entender o que acontecerá ao fechar o gripper e mover o objeto, e só então o especialista em renderização visualiza essa interação compreendida, refutando a abordagem padrão de 'primeiro geração, depois compreensão'.
A arquitetura LJM impõe três restrições físicas a cada token latente. Cada token de raciocínio deve prever simultaneamente três parâmetros futuros: a posição do efetor final no espaço tridimensional (estado do robô), as mudanças no estado visual dos objetos da cena (dinâmica visual) e a direção do movimento no nível do pixel (fluxo óptico pré-calculado). Essas restrições são derivadas diretamente dos dados de treinamento reais e impedem que os modelos criem resultados fisicamente impossíveis, mantendo ao mesmo tempo alta qualidade visual.
Os dois especialistas trocam informações através de um mecanismo de atenção baseado em Mixture-of-Transformers, onde os tokens de raciocínio e vídeo interagem em cada camada do Transformer. Isso garante um fluxo de informação bidirecional durante todo o processo de geração, substituindo o pipeline sequencial onde o raciocínio fornece um resultado que é passado para a renderização apenas uma vez. Assim, a geração visual é constantemente limitada pelo raciocínio físico.
O LJM demonstra que a capacidade de modelar o mundo depende da arquitetura correta, e não de vasto poder computacional. As inovações na arquitetura compensam as limitações dos recursos computacionais chineses. Métodos anteriores tentaram ensinar física aos modelos de vídeo, o que é estruturalmente impossível. Ao fornecer à física um especialista próprio com objetivos claros, o LJM atinge alta precisão física e qualidade visual sem a necessidade de compromissos.
A Tencent Robotics apresentou três modelos fundamentais incorporados durante o evento WAIC 2026. Esses modelos incluem VLM para compreensão de cenas, o modelo cognitivo RxBrain para planejamento com estados visuais e VLA para ações contínuas em frequência de 500–1000 Hz.
O pesquisador principal, Dr. Zhang Zhenyou, apresentou essa arquitetura como uma solução para um problema fundamental que as abordagens atuais de VLA não abordam adequadamente. Ele observou que diferentes tipos de inteligência robótica devem operar em frequências distintas, visto que o próprio mundo físico opera em múltiplas escalas de tempo.
A compreensão desse problema surgiu após um experimento malsucedido de transferência de capacidades do robô no OpenClaw, que causou um atraso de dezenas de segundos, inaceitável para robôs físicos, onde mesmo um atraso cognitivo de 2 a 3 segundos é problemático.
A arquitetura de três camadas resolve esse problema separando as frequências. O modelo Hy-Embodied-VLM é responsável pela compreensão espacial em uma frequência mais baixa, interpretando cenas visuais e relações entre objetos. O Hy-Embodied-RxBrain representa uma inovação significativa na arquitetura cognitiva: ele não apenas gera passos de tarefa em linguagem, mas também visualiza como o mundo físico deve parecer após a conclusão de cada subtarefa, utilizando representações de estado visual em vez de descrições textuais.
Isso elimina a limitação principal dos sistemas de planejamento baseados apenas em linguagem, pois descrições textuais não conseguem transmitir eficientemente relações espaciais e restrições físicas que podem ser transmitidas instantaneamente através da visão. O modelo Hy-Embodied-VLA opera na frequência mais alta, traduzindo objetivos de alto nível em comandos de ação contínuos de baixo nível com velocidade suficiente para interagir com o mundo físico em tempo real.
A Tencent informou que o Hy-Embodied-VLA passou por testes de produção em uma fábrica química. O modelo lida com linhas de montagem intensivas em SKUs, de baixo volume e altamente misturadas, garantindo um tempo de ciclo de peça inferior a 6 segundos. Além disso, o modelo é capaz de se adaptar a novos SKUs em apenas 8 horas de coleta e ajuste fino de dados.
As condições de teste diferem significativamente das demonstrações laboratoriais: os objetos são dispostos aleatoriamente, a iluminação muda, ocorrem interrupções na produção, e o robô deve atingir um nível de falha quase nulo. O Dr. Zhang enfatizou que uma demonstração que alcançou 80–90 pontos sem implementação real não tem valor prático, e os testes de fábrica refletem o compromisso com o desempenho industrial mensurável, e não com métricas de benchmark.
O modelo cognitivo RxBrain resolve o segundo desafio complexo: o gargalo linguístico no raciocínio robótico. Sistemas anteriores da Tairos dependiam de texto para comunicação intercerebral, mas a descrição de relações espaciais de objetos em palavras pode ser prolixa e ambígua. Ao incorporar a representação visual do estado no ciclo de planejamento, o RxBrain garante uma maior taxa de transferência de informações entre percepção e ação.
O modelo é descrito como um modelo de mundo cognitivo incorporado, e não como um modelo completo do mundo, pois ainda não há uma arquitetura consensual de modelo de mundo único nesta área. Juntos, os três modelos e a plataforma Tairos formam um stack completo de inteligência incorporada da Tencent, disponível para qualquer desenvolvedor ou fabricante utilizar. Assim, a comunidade de robótica agora pode construir sobre a mesma arquitetura sensível à frequência desenvolvida pela Tencent graças a falhas reais e melhoria iterativa.
