大晓机器人联合南洋理工打通 Physical AI 全链路！PhysX-Omni 补齐物理 AI 基建

一句话看懂：大晓机器人与南洋理工大学联合发布了 PhysX-Omni，一个能同时生成刚体、可变形物体和关节物体的 3D 资产生成框架。这项研究首次将物理属性（材质、尺度、运动学等）纳入统一的 3D 生成流程，并为物理 AI 领域提供了首个大规模数据集 PhysXVerse 和评测基准 PhysX-Bench，相当于补齐了机器人从虚拟环境到真实世界交互的关键数据与工具层。

事件核心：发生了什么

2026 年 6 月 6 日，大晓机器人联合南洋理工大学刘子纬教授团队，在 arXiv 上发表了新论文《PhysX-Omni: Unified Simulation-Ready Physical 3D Generation for Rigid, Deformable, and Articulated Objects》。该研究提出了 PhysX-Omni 框架，核心突破在于三点：

第一，提出了一种基于模板化游程编码（template-based RLE）的几何表征，让 VLM 可以直接生成包含物理属性（如尺度、材质、运动学参数）的高分辨率 3D 模型，无需额外 special token，从而减少了误差累积。

第二，构建了 PhysXVerse 数据集，包含超过 8,700 个高质量仿真就绪（simulation-ready）3D 资产，覆盖 2,900 多个室内外类别，显著提升了多样性和物理属性标注的完整性。

第三，推出了 PhysX-Bench 评测基准，从几何、尺度、材质、可供性、运动学、语义描述六个维度，结合物理仿真对生成结果进行综合评估。实验数据显示，PhysX-Omni 在绝对尺度预测上误差比现有方法降低了两个数量级，运动学一致性也有显著提升。

为什么重要

当前 3D 生成领域多数方法聚焦于外观和几何质量，生成的结果虽然形象逼真，但缺少真实世界所需的物理属性——比如物体有多重、摸起来是硬还是软、关节是否能转动。大语言模型和视觉语言模型虽然已能“感知”，但在“理解并交互”物理世界这一环节存在数据断层。PhysX-Omni 直接回应了这个短板：它生成的资产可以直接部署在物理模拟器中，用于机器人策略学习或虚拟环境测试。对于行业来说，这意味着物理 AI 的基建——从数据、生成框架到评测标准——首次被系统性地补齐，为具身智能规模化训练提供了更实用的工具链。

对用户/开发者/创作者的影响

对机器人研发团队和具身智能开发者来说，PhysX-Omni 提供了一条更直接的路径：不再需要手动为每个 3D 模型标注物理属性，上传一张图片或一段文字描述，即可获得可直接用于仿真环境的完整资产。这有望显著降低仿真数据的获取成本。对 AI 内容创作者而言，尽管目前该框架主要面向科研与工程应用，但其生成的物理属性可交互资产，未来可能嵌入数字孪生、游戏、影视特效等场景。需要注意的是，该研究目前是学术论文形式，官方开源代码与项目主页已公开（GitHub: physx-omni/PhysX-Omni），但实际产品落地形式和性能边界仍有待进一步验证。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

1. 工具链落地节奏：大晓机器人此前发布过 ACE 具身研发范式，新研究能否快速与 ACE 范式整合，形成从数据采集到模型训练的完整闭环，是关键观察点。2. 数据集和基准的生态影响力：PhysXVerse 和 PhysX-Bench 是否会被学界和产业界采纳为通用标准，将影响后续物理 AI 研究的方向可比性。3. 竞品动态：当前已有多家机构（如谷歌 DeepMind、清华等）在物理 3D 生成方向布局，PhysX-Omni 的统一框架优势能否在更大规模、更多复杂场景中保持领先，需要后续跟进评测结果。

来源：Readhub · AI

大晓机器人联合南洋理工打通 Physical AI 全链路！PhysX-Omni 补齐物理 AI 基建