上海人工智能实验室推出了InternW0，这是其InternW物理世界模型系列的首个实例，旨在动态环境中保持可操作的预测。该模型采用非对称视频-动作架构和流匹配技术，联合学习未来的视觉动态和连续机器人控制。

  • InternW0使用高容量视频专家处理长时域上下文，并使用轻量级动作专家处理更快时间尺度。
  • 它复用逐层K/V状态，并通过上下文路由将其适应新观测值，避免每次更新都重新生成。
  • 训练使用了约7,200小时的异构机器人和第一人称视角数据，其中包括275小时的EgoLab数据集。
  • 评估包括15阶段的金属有机框架合成工作流和5阶段的接触感知灵巧操作。

这些成果推动了可扩展、异步且原生支持科学的物理世界模型的发展，以实现通用且高效的现实世界交互。