Faqat to'rtta oy oldin tashkil etilgan startap Muka Robotics kompaniyasi o'zining LJM Latent Joint-conditional Model modeli bilan jahon reytingi WorldArena da ikkinchi o'ringa chiqdi. Ushbu model faqat 32 ta Zhenwu 810E grafik protsessoridan foydalanib, 89.17 darajasida harakat sifati ko'rsatdi.
LJM modeli LIBERO benchmarkida turli metrikalarda yuqori baholarni olib, 3D aniqlik bo'yicha 92.60 va Boshqariluvchanlik bo'yicha 85.93 ball yig'di. Bu natijalar unga 10-100 barobar ko'proq hisoblash quvvatidan foydalangan raqobatchilarni ortda qoldirish imkonini berdi. Model anonim ravishda SisyphusWorld nomi ostida taqdim etildi.
LJM fundamental muammoni hal qiladi: piksel darajasidagi optimallashtirish fizika tushunishiga salbiy ta'sir ko'rsatadi. Standart diffuziya modellarining aksariyati piksel teksturasiga (99%) ustuvorlik beradi va ushlagich va obyekt o'rtasidagi tanalpoyak kabi muhim jihatlarni e'tiborsiz qoldiradi (1%). LJM fikrlash jarayoni va renderlash jarayonini ajratadigan ikki ekspertli arxitekturani kiritadi.
Qwen3-VL-2B asosidagi fikrlash eksperti uzluksiz latent fazada ishlaydi. U til ko'rsatmalari, vizual tarix va rejalashtirilgan harakat ketma-ketliklar asosida o'zaro ta'sirlashni simulyatsiya qiladi. Shu bilan birga, Wan2.2-TI2V-5B dan foydalanuvchi dunyo modellashtirish eksperti bu ma'noli o'zaro ta'sirlashni real videokadrallarga aylantiradi. Asosiy farq shundaki, fikrlash eksperti avvalo ushlagichni yopish va ob'ektni harakatlantirish natijasida nima sodir bo'lishini tushunishi kerak, keyin esa renderlash eksperti bu tushunilgan o'zaro ta'sirlashni vizuallashtiradi, shu tariqa 'avval generatsiya, keyin tushunish' standart yondashuvini inkor etadi.
LJM arxitekturasi har bir latent token uchun uchta jismoniy cheklov qo'yadi. Har bir fikrlash tokeni bir vaqtning o'zida uchta kelajak parametrni bashorat qilish majburiyatiga ega: uch o'lchovli fazodagi yakuniy effektorni joylashuvi (robot holati), sahna obyektlarining vizual holatidagi o'zgarishlar (vizual dinamika) va piksel darajasidagi harakat yo'nalishi (oldindan hisoblangan optik oqim). Bu cheklovlar bevosita haqiqiy o'quv ma'lumotlaridan olinadi va modellar tomonidan jismonan imkonsiz natijalarning yaratilishining oldini oladi, shu bilan birga yuqori vizual sifatni saqlab qoladi.
Ikki ekspert Mixture-of-Transformers asosidagi diqqat mexanizmi orqali ma'lumot almashadi, bunda fikrlash va video tokenlari Transformerning har bir qatlamida o'zaro ta'sir qiladi. Bu butun generatsiya jarayoni davomida ikki tomonlama ma'lumot oqimini ta'minlaydi, bu esa fikrlash natijani renderlashga faqat bir marta uzatadigan ketma-ket konveyer oqimini almashtiradi. Shunday qilib, vizual generatsiya doimiy ravishda jismoniy fikrlash bilan cheklanadi.
LJM dunyo modellashtirish qobiliyati ulkan hisoblash quvvatiga emas, balki to'g'ri arxitekturaga bog'liq ekanligini namoyish etadi. Arxitekturadaki innovatsiyalar Xitoy hisoblash resurslarining cheklovlarini qoplaydi. Oldingi usullar video modellarga fizikaniy bilimlarni o'rgatishga urinardi, bu strukturaning jihatidan imkonsiz edi. Fizikaga aniq maqsadlar bilan o'z ekspertini taqdim etish orqali LJM kompromislar qilish zarurati sezilmaydigan yuqori jismoniy aniqlik va vizual sifatga erishadi.
Tencent Robotics WAIC 2026 tadbirida uchta jismoniy fundamental modelni taqdim etdi. Ushbu modellar sahna tushunish uchun VLM, vizual holatlarni hisobga olgan rejalashtirish uchun kognitiv RxBrain modeli va 500–1000 Gts chastotada uzluksiz harakatlar uchun VLA ni o'z ichiga oladi.
Bosh ilmiy xodim doktor Zhang Zhenyou bu arxitekturani mavjud VLA yondashuvlari yetarli darajada yoritmagan fundamental muammoning yechimi sifatida taqdim etdi. U ta'kidladi, turli robot intellekti turlari turli chastotalarda ishlashi kerak, chunki fizik dunyo o'zi ko'plab vaqt oralig'larida ishlaydi.
Bu muammoni tushunish OpenClaw da robot imkoniyatlarini o'tkazish bo'yicha muvaffaqiyatsiz tajriba natijasida paydo bo'ldi, bu esa fizika robotlari uchun qabul qilinmaydigan o'nlab soniyalik kechikishga olib keldi, bunda hatto kognitiv kechikish 2–3 soniya ham muammo hisoblanadi.
Uch qatlamli arxitektura bu muammoni chastotalarni ajratish orqali hal qiladi. Hy-Embodied-VLM pastroq chastotada fazoviy tushunish uchun javob beradi, vizual sahnalar va ob'ektlar o'rtasidagi bog'liqliklarni talqin qiladi. Hy-Embodied-RxBrain kognitiv arxitekturada sezilarli yangilikdir: u nafaqat vazifa qadamlarini tilda yaratadi, balki har bir kichik vazifa tugagandan so'ng fizik dunyoning qanday ko'rinishi kerakligini vizual holat tasvirlaridan foydalanib vizuallashtiradi, matnli tavsiflar o'rniga.
Bu faqat tilga asoslangan rejalashtirish tizimlarining asosiy cheklovini bartaraf etadi, chunki matnli tavsiflar fazoviy munosabatlar va fizik cheklovlarni samarali yetkazib bera olmaydi, bu esa ko'rish orqali darhol yetkazilishi mumkin. Hy-Embodied-VLA eng yuqori chastotada ishlaydi, yuqori darajadagi maqsadlarni real vaqtda fizik dunyo bilan o'zaro aloqa qilish uchun yetarli tezlikdagi uzluksiz past darajadagi harakat buyruqlariga aylantiradi.
Tencent Hy-Embodied-VLA ning kimyoviy zavodda ishlab chiqarish sinovidan o'tganini ma'lum qildi. Model yuqori aralashma, kam partiyali, SKU bo'yicha intensiv yig'ish liniyalarini boshqaradi va bitta qismning tsikl vaqtini 6 sekunddan kamaga tushiradi. Bundan tashqari, model faqat 8 soat ma'lumot yig'ish va sozlash bilan yangi SKU larga moslashishi mumkin.
Sinov sharoitlari laboratoriya namoyishlaridan sezilarli darajada farq qiladi: ob'ektlar tasodifiy joylashgan, yoritish o'zgaradi, ishlab chiqarishda uzilishlar yuz beradi va robot deyarli nol xato darajasiga erishishi kerak. Doktor Zhang ta'kidladi, haqiqiy joriy etilmasdan 80–90 ball olgan namoyish aslida qiymatga ega emas va zavod sinovi benchmark ko'rsatkichlari emas, balki o'lchovli sanoat samaradorligiga sodiqlikni aks ettiradi.
Kognitiv RxBrain modeli ikkinchi murakkab muammoni – robotlashtirilgan fikrlashdagi til bo'yicha cho'kish nuqtasini hal qiladi. Oldingi Tairos tizimlari miyaaro aloqa uchun matnga tayanardi, ammo ob'ektlarning fazoviy munosabatlarini so'zlar bilan tasvirlash ko'pincha uzun va noaniq bo'ladi. Holatning vizual ifodasini rejalashtirish sikliga kiritish orqali RxBrain idrok va harakat o'rtasidagi ma'lumot uzatish quvvatini oshiradi.
Model to'liq dunyo modeli sifatida emas, balki jismoniy dunyo kognitiv modeli sifatida tasvirlanadi, chunki ushbu sohada hali birlashgan dunyo modeli arxitekturasiga erishilmagan. Uchta model va Tairos platformasi birgalikda Tencentning to'liq jismoniy intellekt stekini tashkil etadi, u istalgan ishlab chiquvchi yoki ishlab chiqaruvchi uchun mavjud. Shu tariqa, robototexnika hamjamiyati endi Tencent tomonidan haqiqiy nosozliklar va iterativ takomillashtirish orqali ishlab chiqilgan chastota sezgir arxitekturadan foydalana oladi.
