章鱼动力 SYNWorld V0.5 具身世界模型发布：全栈 Scaling Engine 驱动，多项评测领先 π0.5 与 Cosmos3 Nano

原创 尹John 2026-10-21 22:02 北京

依托全栈 Scaling Engine 训练，领先 π0.5 和 Cosmos3 Nano，推理快 60 倍

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。

全栈 Scaling Engine

01

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。

30 万小时训练数据

02

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。

其中，真机采集的数据约 3 万小时，只占一成左右，更多的是通用视频、人类第一视角（Ego）和 UMI 数据。

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。

从视频生成出发

03

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：

推理快 60 倍

04

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。

原本 30 步去噪要将近 8 秒，机器人每「想」一下，就得在那儿干等 8 秒……

现在缩短到了 131 毫秒，快了 60 倍。

视频解码也从 1.4 秒缩短到 150 毫秒，而且放在另一组 GPU 上异步执行，动作输出不用等画面解码完。

领先 π0.5 与 Cosmos3 Nano

05

评测分为真机任务、LIBERO-Plus 仿真，和视频生成的双盲人工偏好三类。

真机评测选取了摆放餐具、倒豆子、摞盘子、叠衣服四项任务，分别用 50、100、200、400 条示教做后训练，对比用不同预训练模型初始化的效果。

和 π0.5 相比，SYNWorld V0.5 在全部 16 组对比中都领先。

示教越少，优势越明显，比如倒豆子只有 50 条示教时，是 51.47 比 30.14。

在 400 条这一档，四项任务的得分也都高于 Cosmos3 Nano。

下面是 WAM 只用 50 条示教做后训练的真机表现（四个视角同步播放）：

在带七类扰动、共 10030 个案例的 LIBERO-Plus 仿真评测中，SYNWorld V0.5 的总体成功率为 87.78%，高于 Cosmos3 Nano 的 85.66% 和 π0.5 的 85.41%。

视频生成的双盲评测以 Cosmos3 Nano 为基线，一共 60 组对比。

语义遵循、视觉质量、物理规律三项的净偏好率，分别为 46.7%、26.7% 和 51.7%。

手脑一体

06

模型之外，章鱼动力同时在做灵巧手和数采硬件。

8 月一起发布的 OctoH-Hand，是一只高自由度的仿生绳驱灵巧手。

它有 23 个主动自由度、28 个独立可控的执行器，手上还集成了 1900 多个触觉传感单元。

章鱼动力的判断是，大量工具和工作空间本来就是照着人手设计的，很多任务离不开手内调整、多点接触和多指协同。

所以他们选择了灵巧手作为核心执行形态，让数据、模型和硬件一起迭代。

SYNWorld 负责理解和预测，OctoH-Hand 负责精细执行，OctoSense 负责采集人类操作数据，三者构成了一个数据闭环。

博客中还给出了后续方向：

•  围绕自研灵巧手做手脑协同，比如把 Ego 数据里的人手动作重定向到自家硬件上 

•  扩展肌电全模态数采，引入力觉、触觉等模态，学习更完整的物理交互 

•  继续扩大模型、数据和训练规模，用学会任务所需的示教量来衡量收益 

•  用 agent harness 让 Agent 串起实验设计、数据处理、训练和结果分析，让研发循环更能自主迭代 

V0.5 已经把 Scaling Engine 这套大模型基建打造完善，并秀出了第一份亮眼的评测成绩单。

接下来，等手脑一体和力觉、触觉等模态陆续加入后，将是一整套模型、数据、硬件协同的全栈化体系。

其想象空间，非常值得期待。

◇ ◆ ◇

跳转微信打开