一句话看懂：机器人基础模型 PhysWord 提出“Physical Words”思路，把 approach、pick、place 等原子动作词与未来视觉或触觉表征对齐，先在潜空间预测动作序列再生成动作。按论文摘要，其在 LIBERO-Long 达到 99.6% 成功率，在 UniVTAC 达到 90.3%。
事件核心：发生了什么
alphaXiv 收录的论文提出 PhysWord，定位为“先推理后行动”的机器人基础模型。它把 16 个原子动作标签作为语义锚点，分为 2 个移动类（approach、move）和 14 个操作类（pick、place、flip、rotate、toggle、open、close、push、pull、insert、press、click、strike、handover），每个标签还有视觉变体和可选触觉变体。
关键设计是双重监督：模型既要预测动作词本身，也要让对应上下文隐藏状态与未来图像或触觉观测的潜表征对齐。未来观测只在训练中作为目标，推理时不提供。推理阶段，模型自回归预测未来多个时间步的动作词，再以这些词和此前多模态上下文为条件生成动作序列。摘要给出的结果是 UniVTAC 90.3%、LIBERO-Long 99.6%，并在真实双臂夹爪和灵巧手任务上优于对比方法。
为什么重要
语言推理能表达任务语义，但难以描述接触、形变等细粒度物理动态；纯潜空间预测能建模未来状态，却缺少可复用的推理原语。PhysWord 试图在两者之间搭桥：让“动作词”既是可读的语义单位，也是承载未来物理动态的连续表征。这为机器人推理提供了一种更结构化的组织方式，也便于按时序串联长程任务。不过，目前公开信息主要来自论文摘要和页面概述，尚不能视为已成熟落地的产品能力。
对用户/开发者/创作者的影响
对机器人开发者，值得关注的是“动作词 + 未来观测对齐”能否作为通用预训练目标，减少对大量人工任务标注的依赖。对做具身智能应用的团队，触觉变体和双臂、灵巧手任务的结果意味着该路线可能延伸到更复杂的操作场景。对研究社区，动作时间间隔 s 在动作视界 H=16 下取 4，是成功率与推理开销之间的折中，作者并未证明更密集预测一定更差，这一点会影响后续复现和工程化取舍。
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。
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
一是论文所述的真实世界扩展任务表现，如连续三次抓放纸张时 PhysWord 成功率 70.0%，而无词监督变体为 36.7%，这一差距能否在更多场景复现；二是动作词表固定为 16 类，面对更开放任务时是否需要扩展；三是视觉与触觉双分支在算力和传感器配置上的实际门槛。此外，论文尚未显示已开源代码或提供可用 API，落地形态有待观察。
来源：alphaXiv
