知识卡片：智源发布RoboBrain Orca，在表征层学习世界模型

English Title: RoboBrain Orca
Keywords: World Model, Multi-modal Representation, Unsupervised Learning, Causal Structure

一句话结论

智源发布的多模态表征世界模型RoboBrain Orca，不再直接预测显式输出，而是学习世界状态的潜在表征，通过无意识与有意识两条路径预训练，在zero-shot测试中文本、图像、动作三类任务表现随数据增长持续提升，动作生成达到π0.5水平。

事件概述

2026年7月9日，智源研究院发布多模态表征世界模型RoboBrain Orca。该模型的核心思路是从“预测显式输出”转向“预测世界状态”，构建统一的潜在表征空间，并支持文本、图像、动作三种模态的读出。

方法/产品要点

• 范式创新：不再直接预测动作或像素，而是学习一个统一的世界潜在状态表征，模型从该表征中解码出文本、图像或动作。
• 两条学习路径：
  • 无意识学习：积累客观经验（预训练阶段）
  • 有意识学习：组织因果结构（待进一步确认具体实现，材料未展开）
• 预训练数据：12.5万小时视频 + 1.6亿条事件标注。
• 多模态读出：支持文本、图像、动作三类下游任务的zero-shot推理。

主要结果或产业意义

• 在冻结主体下的下游zero-shot测试中，文本、图像、动作三类任务的表现均随预训练数据规模的增长而持续提升。
• 动作生成任务达到π0.5水平（π0.5为具身智能领域公开基准模型）。
• 为具身智能和机器人领域提供了一种不依赖显式动作标签、通过世界模型表征学习的新范式。

为什么重要

传统世界模型通常直接预测未来帧或动作，RoboBrain Orca将目标改为学习“世界状态”的潜在表征，可能更利于跨模态泛化和因果推理。其无意识+有意识的双路径设计也接近认知科学中的人类学习机制，为构建更通用的智能体提供了新方向。

局限与不确定性

• 材料未提及模型参数量、推理延迟、具体硬件需求等细节。
• 仅报告了冻结主体下的zero-shot结果，真实场景中的微调或交互式性能待验证。
• 动作生成仅达到π0.5水平，与最先进模型（如π0.5以上）的差距待对比。
• 因果结构的组织方式（有意识学习部分）细节待核实。

可用于图书/PPT/简报的角度

• 新范式案例：作为“世界模型从预测输出转向预测状态”的技术突破案例，适合放入AI前沿或具身智能章节。
• 学习机制类比：无意识/有意识双路径可与人类认知学习做类比，增强讲解吸引力。
• 数据驱动：12.5万小时视频预训练的规模说明数据仍是关键瓶颈，可引申讨论数据效率问题。
• 产业落地：联合乐聚等伙伴的商业测试虽属于蚂蚁灵波而非智源，但可提示整个具身智能领域的商业化加速趋势。

原始材料

URL: https://m.sohu.com/a/1047704926_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=4
（原始文章第五部分：智源发布RoboBrain Orca，在表征层学习世界模型）