你让机器人收拾桌面，它不能只认出杯子和抹布。它还得判断先做什么，控制夹爪怎么移动，并预想动作之后桌面会变成什么样。过去，这几件事常由不同模型分别处理。PhysBrain 1.5 想把它们收进同一个模型：既理解环境，也生成动作，还预测未来状态。这正是它值得关注的地方。
不过，标题里的“闭环了”需要加一道边界：论文闭合的是“观察—交互—环境变化”的学习框架，并没有提供真实机器人持续运行的定量闭环验证。本文的数字和效果均来自作者团队的论文，尚无独立信源交叉印证。
把三种任务写成同一种语言
PhysBrain 1.5 从 Qwen3-VL-Instruct 8B 出发。VLM，即视觉语言模型，本来擅长把图像和文字放在一起处理，例如看图回答问题。研究团队在它的词表中加入了两类新“词”：动作 token 和视觉 token。
Token 可以理解为模型能够读写的离散符号。语言模型通常根据前文猜下一个 token。PhysBrain 的关键做法，是把文字回答、机器人动作和未来画面都翻译成这样的符号序列。于是，三种看似不同的工作都变成同一道题：根据已有输入，逐个预测接下来应该出现什么。
这像给同一位学生三种统一格式的答题卡。题目可能要求写一句话，也可能要求画出夹爪的移动路线，或者描述几秒后的场景；答案形式不同，但都从同一个模型出口依次填出。训练时，任务格式和 loss mask——决定哪些答案位置参与误差计算的标记——告诉模型这次该生成哪一类内容。
这样做不只是把接口整理得更整齐。作者希望，环境理解能为动作和后果预测提供上下文；动作与状态变化的训练，也反过来给空间定位和轨迹推理加入“物理常识”。但论文提供的证据更能说明理解能力的提升，尚不足以证明三类能力已经在真实运行中形成稳定循环。
动作也能变成一句“话”
机器人真正接触物体的部位叫末端执行器，例如机械臂末端的夹爪。PhysBrain 不直接输出每一刻的连续控制量，而是预测末端执行器接下来 16 个动作步骤的短轨迹。每条轨迹包含相对位移、旋转和夹爪开合状态。
团队用 ActionPiece 把轨迹压缩成离散符号。这个动作 tokenizer——把连续运动转换成有限词表的编码器——在 2870 万段轨迹上训练，对应 4.592 亿个动作时间步。每段腕部轨迹最终表示为 32 个动作 token，动作词表共有 512 个符号。
数据来源之间并不整齐。不同机器人和视频采用不同坐标轴、运动尺度、控制频率，部分数据又缺少完整标定信息。作者没有强行把所有动作转换到一个全球统一的坐标系，而是保留各数据源原有的坐标轴，并把当前画面之前的一段动作一同交给模型。模型据此判断眼前系统的方向、节奏和尺度，再续写下一段轨迹。说白了，它先看清“这台机器刚才是怎么动的”，然后接着动。
未来不是一张图，而是三层状态
预测后果时，PhysBrain 同时生成 RGB 彩色画面、深度图和机器人掩码。深度图表示各位置离相机多远；机器人掩码标出画面中哪些区域属于机器人。三者对应同一时刻和同一图像坐标，因此模型不仅要猜未来“看起来怎样”，还要兼顾空间结构和机器人所在的位置。
这三层信息先由同一个 VQ-VAE——把图像压缩成离散代码、再还原成图像的模型——转成网格符号。PhysBrain 按空间位置交错排列 RGB、深度和掩码 token，总计生成 770 个 token。相同位置的三种信息被放在相邻处，方便模型联合考虑。生成完成后，冻结的解码器再分别还原三幅图。
论文展示的定性案例表明，模型可以生成末端执行器轨迹，也能输出空间对齐的未来 RGB、深度和机器人掩码。但这里的“可以”来自案例展示，不是动作成功率或未来预测误差等定量结果。
人的视频，怎样教会机器行动？
PhysBrain 1.5 分两阶段训练。预训练阶段的具身监督全部来自人类交互视频：约 3 万小时的第一视角、外部视角和全景录像。团队按任务和动作边界切分视频，把场景语义、空间标注、恢复出的人体运动以及后续画面配成连续样本。
其中，物理感知数据有 2430 万条，人类动作数据有 3120 万条，未来状态数据有 2680 万条；另混入 1490 万条通用语言和视觉语言指令数据。这里需要分清：只有预训练的具身监督完全来自人类视频。随后的监督微调还加入了人类示范、真实机器人轨迹和模拟经验，包括 540 万条动作样本、120 万条未来状态样本和 661 万条具身理解样本。
人类动作通过 Human-as-Humanoid 流程恢复成双腕轨迹，手指运动则被排除。到微调阶段，动作语料还包括约 2620 小时真实机器人与模拟轨迹，以及 500 小时筛选后的人体运动数据。这条路线的吸引力在于，人类视频能提供丰富的“做事过程”，机器人数据再负责贴近具体机器的运动方式。
72.5 分说明了什么？
作者在 28 个具身理解基准上测试模型，范围包括视觉与空间感知、多视角理解、具身推理与规划、目标定位与可供性，以及视觉轨迹推理。可供性指一个物体或位置允许怎样操作，例如哪里适合抓、放或接触。
按论文的统一重测结果，PhysBrain 1.5 8B 的平均分为 72.5，比最强开源对照 Hy-Embodied-VLM-1.0 高 6.5 分；它在 14 个基准上位列开源模型第一，在 24 个基准上进入开源前二，并在全部 28 项上超过底座 Qwen3-VL-Instruct 8B。这组结果支持一个较稳妥的判断：共同训练物理相关任务后，模型的具身理解确实比原始通用 VLM 更强。
论文还称它接近 Gemini 3.6 Flash 的 73.0 和 GPT-6-Astra 的 73.3，并超过 Claude Opus 5 的 67.9。不过，这一比较依赖作者的平均口径和重测设置；材料无法独立确认这些闭源模型的版本与公平比较条件，因此更适合看作作者报告的参照，而不是已经坐实的“追平闭源模型”。
所谓“保留通用多模态能力”也不是每项都不退步。与底座相比，PhysBrain 在 MMStar、RealWorldQA、POPE、ChartQA 和 V* 上更高，但在 MME、VideoMME、MVBench、AI2D、DocVQA、TextVQA 和 ScreenSpot 上更低。更准确的说法是：它没有整体丢掉通用看图与推理能力，但专项训练带来了有升有降的结果。
为什么值得关注
PhysBrain 给“物理基础模型”提出了一套相对完整的定义。这个概念借鉴语言基础模型，目标不是只让机器看懂画面，而是用一个通用模型同时处理环境理解、行动和后果预测。PhysBrain 的推进在于，它把三类输出统一为 token，并让它们共同更新同一套模型参数；数据组织也围绕“看见什么、做了什么、随后发生什么”展开。
这比单纯增加一个机器人动作模块更有野心。它试图让模型学习一条完整因果链的不同切面。即使目前的证据还主要集中在“看懂”这一段，这套统一表示和训练方法仍给物理基础模型提供了一个可检验、可扩展的工程框架。
局限与未知
- “闭环”目前首先是训练概念。动作生成和未来预测只有定性案例，论文未给出真实机器人闭环任务的成功率，也没有证明模型能在连续部署中根据新观察反复修正动作。
- 72.5 分、14 项开源第一和“open-source SOTA”都来自作者单一信源。虽然论文称统一了评测指标、输入分辨率和视频采帧数，但材料未提供统计误差，也没有独立复现。
- 不同数据源保留各自坐标轴，模型依靠动作历史推断局部约定。这降低了统一数据的成本，但它跨机器人、跨控制频率迁移时能否稳定工作，现有结果还回答不了。