多数 AI 规划器会列出步骤清单。UniVR 则把这些步骤画成图像。给它一张起始图像和一条指令——把绳子系在箱子上、折叠一件衣服、移动一个物体——这个拥有 340 亿参数的新模型会预测一连串中间视觉状态。它提出的优势与插图是否更漂亮无关，重点在于让人看清规划中真正发生物理错误的位置：第一帧与完成后的画面之间。
北京交通大学与字节跳动的联合团队于 2026 年 7 月 14 日发布了 UniVR 论文。截至 2026-07-15T19:38:04Z UTC，字节跳动的模型仓库还公开了规划检查点，分为 14 个 safetensors 分片，仓库存储量约 68.2 GB，采用 CC BY 4.0 许可。[1][3] 这项发布的轮廓格外清楚，也格外容易被解读过头。UniVR 同时是一套视觉轨迹生成器、一份训练方案和一组新的评估工具。它没有提供机器人能在物理世界中安全执行这些轨迹的证据。
沿着这条界线阅读这项发布，最能看清它的价值。UniVR 的核心进展，是把中间视觉状态变成可以推理、也可以批评的材料。它的主要局限也同样清楚：任务套件、模型训练以及大部分用于评分的自动评审工具，都出自同一个团队。[1][2]
这项发布改变了规划的基本单位
UniVR 以北京智源人工智能研究院的原生多模态模型 Emu3.5 为起点。Emu3.5 把图像 token 与文本 token 编码到同一条自回归序列中，从而能生成长度可变的序列，也省去了逐张图片交由独立渲染器处理的环节。[4] UniVR 在这个 34B 基座模型上微调，使它根据前序帧和指令预测下一个视觉状态。直观地说，模型学会了让画面随着过程继续发展。
这和常见的双模型流水线有所不同。语言模型可以先写出“抬起右袖，对齐袖口，向内折叠”，再由图像模型逐句渲染。这类系统能够产出流畅的指令和悦目的画面，帧与帧之间的关系却容易在交接中丢失。UniVR 把任务交给同一个模型，让它学习示范中看得见的转变：袖子原先在哪里、怎样移动，下一刻的画面应当呈现什么状态。[1][2]
这里的“视觉”并不等于彻底排除语言。每个标准化样本都包含查询图像、文字指令和视觉推理轨迹。整理数据时，研究人员还使用 Qwen3.5-397B 生成侧重推理的问题与文字答案、选择相关帧，并协助筛选材料。更严格地说，UniVR 在训练和推理时省去了用密集书面思维链逐项规定每次转变的要求；它的目标推理痕迹是一串图像。[1]
公开检查点让这一思路有了可以触及的实体。它源自 Emu3.5，在模型平台上被标注为图像到文本交互，并随附模型元数据、样例资产和权重，内容不只是一张发布宣传图。[3] 但真正有用的交互方式比通用聊天调用更为专门：评估者要检查生成状态能否组成可信的过程，终帧是否接近目标结果只是其中一项观察。
VR-X 把多种视觉任务归入同一种格式
这项发布的第二层是 VR-X，即团队新整理的训练与评估集合。作者从 16 个来源收集了 150 万份原始样本，覆盖第一视角示范、烹饪与手工视频、机器人操作、导航、编辑、视觉搜索、空间推理和谜题。经处理后，流水线保留了 310,000 个样本用于监督式冷启动训练，3,000 个用于强化学习，另有 1,800 个留出样本用于评估。[1][2]
把这些领域统一成查询—指令—轨迹格式，本身就是一项实质贡献。迷宫、绳结、机器人抓取和折好的毛巾，在外观、持续时间和物理规律上各不相同。若一个模型在所有任务上都取得改进，证据会更接近一种可迁移的视觉转移先验，单一任务模板记忆则不足以解释这一现象。
这套集合也带来了很强的评估依赖。团队通过场景采样、去重、模型辅助选帧和质量筛选，淘汰了接近 80% 的候选材料。专业标注人员整理了评估集，但这套基准仍是从与训练数据相同的 16 个来源中切出的留出部分。[1] 它适合作为第一轮测试，距离中立的最终考试仍有一段距离。后续更艰难的检验，应当使用由陌生摄像机、物体、任务措辞和物理布置组成的隐藏数据集。
巧妙之处在于奖励看向哪里
对于很长的视觉序列，单一全局分数很难成为有效的训练信号。即使终帧里衬衫已经整齐挂好，自动评审也会给出成功奖励，哪怕三帧之前衣架刚刚穿过布料。论文记录的正是这类失败：面对持续 30 秒以上的序列，全局奖励会偏爱终点的外观，漏掉短暂出现的违规状态。[1]
UniVR 的 步骤聚焦奖励（step-focal reward） 试图定位错误。强化学习期间，系统先生成若干候选轨迹，用 CLIP 嵌入每一帧，找出不同生成结果分歧最大的位置，再以最高方差点为中心选取一个四帧窗口。随后，Qwen3-VL-30B 评估器一面检查这段困难窗口，一面作出全局评估。当局部判断与全局判断相差过大时，组合奖励会惩罚这条轨迹。[1][2]
这种做法比让一个评审盯着整条胶片更有针对性。分歧会标出模型最不确定的位置，于是有限的评审能力可以集中到疑点最密集的断层处。它也有一个清楚的盲点：多次生成会以同一种方式犯下同一个错误。低方差无法证明物理过程正确。因此，步骤聚焦评分是一种有用的找错启发法；真正理解接触、力、物体恒存和时间因果的奖励模型，仍然承担着无法替代的工作。
算力规模同样体现了这项研究发布的分量，其部署成本远超轻量扩展。论文称，全参数监督训练和强化学习使用了 32 块 GPU，强化学习期间另有 8 块 GPU 为评估器服务。图像短边缩放至 512 像素，轨迹上限为 20,000 个 token；经过视觉 token 化后，每张图像约占 1,000–1,500 个 token。[1] 34B 检查点的规模小于用来比较的前沿系统，但很长的视觉序列依然代价高昂。
分数反映方向，不能直接迁移
在 VR-X 上，UniVR 的自动综合得分为 58.2，其 Emu3.5 基座为 39.8。作者使用的 GPT-5 加 GPT-image-1.5 流水线得到 63.5，Gemini 3 Pro 加 Nano Banana 2 得到 66.1。UniVR 表现最强的类别是机器人操作，得分 68.0，略高于论文所报 Gemini 流水线的 67.1。面对超过 60 秒的序列，UniVR 得到 45.6，Emu3.5 则为 21.7。[1][2]
这些数字确认了作者实验设置内所主张的差值：微调后的模型大幅超过基座，在最长时长区间，增益继续扩大。它们尚不能确立视觉规划器之间的普遍排序。
VR-X 的主要分数由 Qwen3.5-397B 给出，评审项目包括任务完成度、程序连贯性、视觉信息量和图像保真度。第二项指标则在 V-JEPA 的潜在空间中比较生成序列与参考序列，以近似衡量物理相似度。两个信号优于一个，但两者仍是代理指标。基于模型的评审会漏过外观可信、实际却无法成立的过程；表征指标可以判断两条序列在统计上接近，却证明不了动作在现实中确实奏效。[1]
各个比较系统也跨越了不同的模型组合与推理栈。Qwen、GPT 和 Gemini 语言模型分别搭配各自的图像生成器，UniVR 则采用统一的下一 token 模型。这正是研究问题的一部分，同时也限定了表格的含义：它衡量的是论文提示词和设置下的完整流水线，没有在同一套独立复现程序中比较可互换的检查点。排名适合作为测试 UniVR 的理由，不能直接作为采购结论。
开放发布仍留有复现缺口
公开页面上确有实质内容。字节跳动的模型平台托管了规划权重，注明以 Emu3.5 为基座、公开许可信息，并链接到论文、项目页、预定的代码仓库和 VR-X 数据集。[3] 项目页发布了方法、任务分类、主要结果和视觉样例。[2] 与封闭演示相比，这些材料更便于审视。
完整复现路径仍未打通。在本文记录的时间点，链接指向的 GitHub 代码端点返回 404，VR-X 数据集端点在未认证状态下返回 401，模型权重本身则可正常访问。这些 HTTP 状态在发布初期变化很快，但它们仍属于发布状态的一部分：“所有代码、数据和模型均已开源”目前还是作者作出的承诺，其中模型部分最容易核验。[1][2][3]
即使所有链接都能打开，复现所需的条件也远多于文件可用。外部团队需要已发布检查点的准确推理方案、长轨迹的内存和延迟测量、数据清单、评审提示词、采样设置，以及一套脱离专有基础设施也能重放评估的办法。当前发布已经开放到足以检查核心产物，但要复现每一个主要结果，流程中的摩擦尚未消失。
UniVR 改变了什么，下一步又是什么
若看长期，UniVR 的核心想法范围比“AI 能用图像思考”更小，也更耐久：它让规划的中间状态变得可见。由此，人们能更准确地追问物体是否消失、抓握姿态是否发生违反物理规律的变化、一步是否真的承接上一步，以及漂亮的结局是否遮住了一条断裂的路线。
要为这一思路补上更有力的证据，还需完成三项检验。第一，独立评估者应采用隐藏任务和人工逐步审查，尤其要寻找所有生成结果共同出现的错误。第二，完整的代码与数据流程应当开放，并附上可重复的运行时测量。第三，机器人团队应在闭环反馈、扰动和安全约束下测试生成轨迹能否改善一个独立控制器。成功动作的图像与动作本身之间仍隔着现实世界；每一帧之后，现实都会给出自己的裁决。
眼下，UniVR 更适合被视为一项严谨发布，它开放了一种新的推理表面。它没有证明视觉世界模型理解物理规律，却展示了如何让这些模型所设想的物理过程更多地暴露在审视之下，也显出了连贯分镜与可靠行为之间仍有多少工作。
来源
- Zhongwei Ren 等，《UniVR: Thinking in Visual Space for Unified Visual Reasoning》，arXiv:2607.12800（提交于 2026 年 7 月 14 日）——涵盖论文、训练方案、VR-X 整理过程、评估设置、结果、消融实验、实现细节与局限。
- 北京交通大学与字节跳动，《UniVR: Thinking in Visual Space for Unified Visual Reasoning》——官方项目页，含方法说明、任务分类、基准表格、视觉样例与产物链接。
- 字节跳动在 Hugging Face 发布的
UniVR-34B-Planning——官方公开模型仓库，含 CC BY 4.0 元数据、Emu3.5 继承关系、检查点文件、样例资产与相关发布产物链接。 - 北京智源人工智能研究院的
Emu3.5GitHub 仓库——UniVR 基座模型的官方文档，涵盖统一图文 token 生成、公开权重与推理方式。 - Wikimedia Commons，“File:ByteDance Dazhongsi Plaza No. 2 (20240322133432).jpg”——N509FZ 于 2024 年 3 月 22 日拍摄的纪实照片，本文用作题图。