2026-11-13 15:49

导语：120万小时真实经验，瞄准机器人零样本泛化。Physis-v1.0-preview是什么 Physis-v1.0-pre

Physis-v1.0-preview是什么

Physis-v1.0-preview 是逆矩阵（Physis）推出的通用物理智能基座模型预览版。Physis-v1.0-preview以动作条件下的真实世界动力学预测为核心预训练任务，从120万小时、1.48亿片段的多源真实经验中学习物理规律，配套覆盖数据工厂、高效训练（MFU超40%）与真机部署的全栈基础设施，具备跨场景迁移与零样本泛化能力。

Physis-v1.0-preview的主要功能

• 物理世界理解：从真实世界的视频与操作数据中学习物体、场景与物理关系的表征，形成对动态演化的理解。
• 动作条件预测：给定当前观测与候选动作，预测世界将发生的状态变化，为决策提供”想象”能力。
• 跨场景泛化：面对陌生环境、新物体和新任务时，复用已有知识零样本执行，或通过少量示范快速适配。
• 真实设备操作：将模型决策部署到真实机器人上，在感知噪声、接触动力学与执行约束下完成物理任务。
• 高频闭环控制：结合低时延推理引擎，支持根据连续反馈实时修正动作，维持稳定的控制节拍。
• 多技能组合：用低频语义决策分解目标、调用技能，高频控制负责执行，协同完成复杂长程任务。

Physis-v1.0-preview的技术原理

• 基础任务设计：团队选择「动作条件下的真实世界动力学预测」作为预训练目标。物理交互天然自带监督信号，动作执行后世界的实际变化就记录在后续观测中；不同任务虽各异，但共享接触、约束等决定状态演化的物理关系，能让多源异构数据为同一种可迁移能力提供监督，随数据和算力增长持续学到更通用的规律。
• 数据工程：构建 Physis Data Factory，将模型算子、任务编排、分布式执行与质量验收整合为统一生产系统。对通用视频、第一视角视频、仿真与真机采集的原始数据，基于 Lance、Ray、Prefect 等基础设施完成清洗、细粒度时序 Caption、几何重建、相机轨迹估计、光流与点轨迹提取，并精确同步视频、三维轨迹与语言标注；通过反事实成对样本显式构建动作与后果的对应关系，最终用固定数据版本交付训练。
• 训练基础设施：采用 Raw data → Sample → Token → Model 的三层异构集群流式架构，用训练集群的稳态 token 消费速率为基准反向规划各层产能，通过缓存、队列与背压吸收异步波动。训练侧结合全分片数据并行与上下文并行，由数据加载器预估样本计算量、注意力规划器按 token 可见范围均衡划分工作，消除同步等待；自研注意力算子支持 chunk 内双向、chunk 间时间因果的细粒度可见性，较 FA4 提升 30–40%；配合统一激活值管理减少重计算，整体 MFU 超过 40%。

如何使用Physis-v1.0-preview

官方尚未公布模型本体（权重/API）的公开地址。

Physis-v1.0-preview的核心优势

• 通用物理智能：以复用经验、少量适配为核心目标，面向陌生场景与新任务的零样本泛化。
• 统一预训练目标：采用动作条件下的真实世界动力学预测，让多源异构数据为同一种可迁移能力提供监督，契合 Scaling Law。
• 超大规模数据供给：依托 120 万小时、1.48 亿片段的多源经验与 Physis Data Factory，实现千万小时级数据的自动化加工与稳定交付。
• 高效训练体系：三层异构集群流式架构配合负载均衡、自研注意力算子与激活值管理，MFU 超 40%，算力利用率高。
• 精细的物理理解：通过细粒度时序标注、几何重建与反事实成对样本，显式学习动作与后果之间的因果关系。
• 全栈协同设计：数据、预训练、推理、部署围绕同一学习任务统一优化，局部优化能真正转化为整体性能收益。

Physis-v1.0-preview的同类竞品对比

Physis-v1.0-preview应用场景

• 工业制造：零部件抓取、装配、分拣与质检等精细操作，适应产线频繁换型与长尾工件。
• 物流仓储：包裹拣选、码垛、拆垛、装车，应对海量 SKU 与动态库位布局。
• 家庭服务：整理物品、清洁、洗衣叠衣、餐食准备等开放式家庭任务，面对陌生环境快速适配。
• 商业服务：餐饮配餐、零售补货、酒店物品递送等非结构化场景下的机器人服务。
• 科研教育：作为物理智能基座，为具身智能研究提供预训练模型与全栈基础设施支撑。

来源：AI工具集