教一个人学骑车，你可以给他看一千张骑自行车的照片——但真正让他学会的，是那一脚踩上踏板的瞬间。照片和文字教的是 " 认知 "，而骑车需要的是 " 物理直觉 "。

机器人领域也面临同样的难题，过去两年最热门的方案是视觉 - 语言 - 动作模型（VLA）：让大语言模型 " 看懂 " 场景，再接上机器人的手脚，微调一下，机器人是不是就能干活？但问题在于，GPT 等大模型吃的都是静态的图文数据：它知道 " 这是杯子 "，却不知道 " 杯子倒了会怎样 "。要补上这些物理知识，就得靠真人戴 VR 头盔手把手地教，每个动作教上百遍，非常吃力。

那有没有一种数据，天然就包含物理动态信息，而且互联网上已经积累了海量规模？

有。视频。

妙动科技的答案：让视频生成模型当机器人的 " 物理老师 "

这正是深圳初创机器人公司妙动科技（Mondo Robotics）新论文 DiT4DiT 的核心思路，一经发布后即获 Agility Robotics AI 负责人等多位硅谷机器人专家关注和转发。据了解，DiT4DiT 也是目前世界模型在人形机器人上首次落地的成果。

DiT4DiT 的名字直接点明了架构：两个 Diffusion Transformer（扩散变换器）串联协作，一个负责想象，一个负责执行。

第一个 DiT 是 " 想象者 "：接收当前画面和语言指令，在内部预测接下来会发生什么，相当于让机器人先在 " 大脑 " 演练一遍任务。这一模块继承了视频生成模型的预训练权重，携带着关于物理世界的丰富隐式知识。

第二个 DiT 是 " 执行者 "：读取第一个 DiT 在去噪过程中产生的中间特征，将 " 想象中的动态信息 " 翻译成具体的机器人关节指令。

简单讲：一个负责 " 理解世界会怎么变 "，一个负责 " 决定手该怎么动 "。视频生成模型花了海量算力学到的物理直觉，被直接注入了机器人的决策系统。

一个反直觉的发现

研发团队在消融实验中发现了一个违反常理的结论：从视频模型提取特征时，只需单步去噪效果最好，步数越多、太清晰，性能反而下降。提取层也有讲究，第 18 层（中间偏深层）的特征最优，达到性能峰值。

原因不难理解：对机器人动作决策而言，捕捉运动的趋势和物理规律比还原精确的像素画面更重要。粗略但充满动态信息的中间特征，比最终清晰的预测帧更有 " 行动力 "。

这个发现带来的工程优势非常实际：整个系统在单张 RTX 4090 消费级显卡上即可实现 6Hz 实时推理，仅需单颗 RGB 相机。而同类方案 Cosmos Policy 需要 H100 专业算力卡，推理速度仅 1Hz。部署成本和速度，DiT4DiT 都领先了一个量级。

实验成绩：全面刷新 SOTA

数据是最直接的证明。

在行业权威的 LIBERO 基准上，DiT4DiT 达到 98.6% 平均成功率，超越 π0.5（96.9%）、CogVLA（97.4%）和 OpenVLA-OFT（97.1%），刷新当前 SOTA。而它使用的预训练数据量仅为同类方法的 15%，收敛速度快了 7 倍——用更少的数据、更短的时间，训练出更强的模型。

在更具挑战性的 RoboCasa-GR1 基准（24 项家庭任务）上，DiT4DiT 取得 50.8% 综合成功率，比 NVIDIA GR00T-N1.5（41.8%）高出 9 个百分点。真机实验在宇树科技 G1 人形机器人上进行，共测试 7 项任务——插花、打包、移动勺子、叠杯子、抽屉交互等，DiT4DiT 全面领先。值得一提的是，DiT4DiT 仅使用机器人头部单目相机完成所有任务，而此前业内方案多依赖头部加双手共三个相机，系统复杂度明显更高。

零样本泛化是该方法最突出的能力。换物体材质、换形状、换数量：面对从未见过的测试场景，DiT4DiT 仍保持 40% – 70% 的成功率。对比看， Qwen3DiT 在多项泛化测试中直接归零。这一差距说明：视频生成赋予的物理直觉，确实比静态图文对齐更贴近真实世界的复杂性。

团队：前特斯拉 Optimus + 前大疆

妙动科技总部位于深圳，专注具身智能前沿研究与落地。联合创始人兼 CTO 杨硕是 CMU 博士，曾任职于特斯拉 Optimus 人形机器人团队，也是知乎机器人领域知名博主。另一位联合创始人来自大疆，曾负责供应链与 RoboMaster 机器人竞技项目。团队汇聚多名强化学习与具身智能方向的博士研究员，DiT4DiT 正是妙动科技与香港科技大学（广州）梁俊卫教授团队合作完成的研究成果。

论文项目页已公开，代码与模型权重预计后续开源。