智源研究院旗下悟界（RoboBrain）发布多模态表征世界模型Orca。该模型的核心理念是从预测"下一个具体模态输出"走向预测"下一个世界状态"（Next State Prediction），旨在让AI在"脑海中"形成对当前世界状态高度浓缩的表征，并基于此建模世界状态的演变。

　　技术哲学：The World is in Your Mind

　　大语言模型学会预测"下一个词"，于是有了ChatGPT、DeepSeek；视频生成模型学会预测"下一帧"，于是有了Sora、Seedance；具身模型学会预测"下一个动作"，机器人开始完成复杂任务。而Orca要做一件更底层的事：让AI先利用多模态世界信号学习世界表征，再做好一切任务。

　　Orca看到一段视频、一张图、一个指令后，先在内部形成统一的世界潜在表征空间，把视觉、语言、事件、任务意图等多模态信号组织起来，学习物体如何运动、场景如何变化、动作带来的后果以及事件间的因果关系。

　　无意识学习+有意识学习：拆解世界认知路径

　　Orca把世界学习拆成两条互补路径。无意识学习类似婴儿通过连续观察自然世界获得经验——通过海量真实世界视频，让模型先学会"世界自己怎么动"。有意识学习则用语言描述的事件、任务指令和VQA问答，帮助模型学习稀疏但有具体意义的状态转移。

　　训练数据方面，Orca使用了12.5万小时视频和1.6亿条事件标注，且预训练具备持续Scaling的潜力。随着训练数据增加，下游任务能力可随之提升。

　　多解码器读出：文本、图像、动作全面覆盖

　　Orca学到的表征可通过多种解码器读出。在文本读出上，更擅长状态转移理解和动态运动推理；在图像读出上，更能展现真实场景的交互预测能力；在动作读出上，即使预训练中未学习动作标签，也能帮助下游机器人更好地泛化。

　　Orca所代表的世界学习范式有望从具身智能进一步走向科学发现、复杂系统建模乃至更广阔的认知边界。它是多模态表征世界模型的一个早期版本，但有可能成为通用世界基础模型的一块重要基石。