大晓开悟Kairos世界模型横扫四大评测，4B参数干翻Cosmos 14B

一个 4B 的世界模型，把英伟达 Cosmos 14B 摁在地上摩擦

这两天具身智能圈讨论的不是哪家又发了人形机器人，而是大晓机器人的开悟世界模型 Kairos——RoboTwin 2.0、LIBERO-Plus、WorldModelBench Robot、DreamGen，四个目前业内最能打的世界模型/具身评测基准，第一名全被这家公司包圆了。模型权重直接挂上 GitHub 开源，名字叫 Kairos 3.0-4B。

说实话，世界模型这个赛道过去一年有点虚火。英伟达 Cosmos 出来之后，国内外一堆团队跟进，但绝大多数做法都是"在视觉/语言大模型后面接一个动作头"，本质还是 VLA 思路的延伸。Kairos 这次的意义在于，它是从架构底层为"物理世界里的因果"重新设计的，而且性能拉爆了 Cosmos 2.5、阿里 Wan 2.2、蚂蚁 Lingbot 这一票竞品——4B 参数打 14B、28B，赢得还不止一点点。

先看数字：72 倍推理加速不是 PPT 数据

在 A800 GPU 的 Benchmark 上，Kairos 3.0-4B 完成 10 秒视频生成任务只用了 9.5 秒——这意味着它实现了云侧 1:1 的实时推理，生成时长基本等于视频时长。对比一下其他几家：

• Cosmos 2.5：687.2 秒（约 72 倍差距）
• 阿里 Wan 2.2：85 秒（约 9 倍差距）
• 蚂蚁 Lingbot：1436 秒（约 151 倍差距）

显存这块也很夸张。4B 参数只吃 23.5GB 显存，跟 5B 的 Wan 2.2 相当，但远低于 14B Cosmos 的 70.2GB、28B Lingbot 的 46.1GB。这个数字背后是大晓自研的"混合时间线性注意力算子"——具体怎么做的论文还没出，但从效果看，他们大概率重写了 attention 在时序维度上的计算路径，把世界模型最吃算力的"长序列+视频"两个维度同时拉下来了。

如果你做过视频生成模型部署，应该懂这个差距有多致命。Cosmos 2.5 14B 跑一个 10 秒视频要 11 分钟，这种速度别说控制机器人，连离线数据增强都嫌慢。Kairos 3.0-4B 的 9.5 秒等于把"世界模型驱动机器人"从一个研究问题变成了工程问题。

评测细节：PAI-Bench-robot 80.03 分，物理一致性领先 70%

四项 Benchmark 拿第一，含金量挨个看：

PAI-Bench-robot（佐治亚理工 + CMU 联合搞的物理 AI 综合基准）

这个基准覆盖 2808 个真实世界案例，是目前物理 AI 领域被引用最多的具身评测框架之一。Kairos 3.0-4B 拿 80.03 分，超过：

• Cosmos 2.5-2B：78.3
• 阿里 Wan 2.2-5B：78.6
• Cosmos 2.5-14B：79.4
• 蚂蚁 Lingbot：79.96

领先幅度看着不大，但要注意——它的参数量比 Cosmos 14B 小了 3.5 倍。

WorldModelBench Robot

这是长时序物理场景理解的硬指标。Kairos 拿 9.08 分，Cosmos 2.5-14B 是 8.94。注意，这个评测是"长时序"——越长的预测，物理误差越容易累积，传统模型在 5 秒之后就开始崩坏，Kairos 能稳到 7 分钟级别。

物理一致性 PA / 指令跟随 IF

• PA（Physical Accuracy）：Kairos 0.529，阿里 Wan 2.2 只有 0.314，差距近 70%。
• IF（Instruction Following）：Kairos 0.609，比 Cosmos 2.5-14B 提升 27%。

PA 这个指标差 70% 是什么概念？官方放的对比 demo 里有个倒水场景——把水从杯子倒进水槽。Kairos 生成的水流速度平稳、液体总量严格匹配杯子容量，符合质量守恒。Cosmos 2.5 和 Lingbot 的水流速度过快，甚至生成的液体总量远超杯子实际容量，物理逻辑直接崩了。

更狠的是叠平衡石场景。Kairos 严格遵循重力与支撑结构，每一块石头都堆在该堆的位置；Cosmos 2.5 生成的石头开始悬浮，Lingbot 直接让最底层石头凭空消失。

这种差距说明一件事：仅靠扩散模型 + 视频数据训练的"通用视频生成模型改款"，在物理因果这个维度上是有天花板的。你训练数据里见过再多视频，也学不到"质量守恒"和"刚体力学"，这两件事得在架构层面给它一个先验。

架构上做对了什么

Kairos 自称是业内首个实现"多模态理解—生成—预测"一体化的具身原生世界模型。"原生"两个字是关键。

业内目前主流路线分两派：

1. VLA 派：在 VLM（视觉语言模型）后面接动作头，代表是 Figure 的 Helix、Physical Intelligence 的 π0。优势是复用 VLM 的语义理解，劣势是物理一致性靠数据堆。
2. 视频生成派：把世界模型当作"可控视频生成器"，代表是 Cosmos、Wan。优势是视觉真实度高，劣势是不懂因果，预测越长越离谱。

Kairos 走的是第三条路——把"理解—生成—预测"三件事在同一个网络里联合训练，认知根基是物理规律和因果规律本身，而不是视频数据的统计分布。这个思路其实和 LeCun 一直鼓吹的 JEPA 有相通之处，但 Kairos 把它做到了能跑机器人本体控制的程度。

端侧部署这块更有意思。Kairos 3.0-4B 是行业首个在英伟达 Jetson Thor T5000 端侧平台部署的具身世界模型。THOR 端侧算力 517 TFlops，Kairos 在上面达到了 1:1.5 的实时生成（生成时间:视频时长），这意味着机器人可以一边"想象"未来 1 秒会发生什么，一边实时调整动作。

而且模型直接输出机器人从上肢到手指再到下肢的全方位控制指令——没有中间的"世界模型预测→规划器→控制器"转译链。这是把世界模型当大脑用了，不是当模拟器用。

7 分钟长视频生成：长时序终于不崩了

大多数视频生成模型 5 秒以上就开始出现物体消失、属性漂移、物理崩坏。Kairos 3.0 能稳定生成 7 分钟的具身动态交互视频，这背后是它的"层级化任务解析 + 自我反思闭环"机制。

简单说就是：用户给一个复杂指令（比如"做早餐"），Kairos 智能体先把它拆成子任务序列，每个子任务对应一段时空演化的物理预测，生成过程中通过自我反思机制做闭环迭代优化。

官方放的家庭场景 demo 里，机器人完成了一整套全流程自主作业：

• 整理桌面上的杯子和纸巾盒，规划摆放位置
• 自主进入洗衣区，捡衣服、开洗衣机、放进去、启动
• 穿过客厅进厨房，开冰箱取牛奶、开壁橱取麦片、开抽屉取碗勺
• 把麦片和牛奶倒进碗，完成早餐制备

这套流程里，"打开冰箱"和"倒牛奶"之间的因果关系是模型自己推理出来的——这就是世界模型作为"大脑"的能力，VLA 模型靠模仿数据是干不出来的。

对行业意味着什么

说几个判断：

第一，开源策略很狠。 4B 参数 + 23.5GB 显存 = 一张消费级 A6000 甚至 4090 24G 都能跑得动。这种部署门槛意味着学术界和中小团队可以直接基于 Kairos 做二次研究，国内具身智能的研究生态会被显著加速。GitHub 仓库已经放出：github.com/kairos-agi/kairos-sensenova。

第二，Cosmos 的优势没了。 之前国内做世界模型的团队普遍把英伟达 Cosmos 当 baseline，现在 baseline 被一个开源模型反超 72 倍速度+全面碾压物理指标，下一轮工作的对标对象会切换。

第三，端侧实时是真正的拐点。 如果你做过具身智能数据采集，应该知道仿真和遥操作有多痛苦。世界模型能在端侧 1:1.5 实时生成，意味着机器人可以在物理执行前用"想象"做行为预演——这是把强化学习的"试错"成本压到接近零的关键技术。

当然 Kairos 也不是没有质疑空间。比如 7 分钟长视频的物理一致性在哪些任务上能保住？跨本体泛化的"跨本体"边界在哪？这些都得等更多第三方复现的结果出来。但从目前公开的 Benchmark 和 demo 看，这家公司至少把"世界模型驱动具身"这条路推进了一大截。

顺便提一句，对 AI 应用开发者来说，多模型并用已经是常态。OpenAI Hub（openai-hub.com）一个 Key 调 GPT、Claude、Gemini、DeepSeek 这些主流模型，兼容 OpenAI 格式国内直连，做 agent 编排的时候省心不少。开源具身模型这边，本地部署仍然是主流路径，但用云端大模型做高层规划+本地 Kairos 做物理预测的混合架构，已经有团队开始试了。

写在最后

2026 年具身智能这条赛道，最有意思的不是又一台人形机器人发布，而是世界模型这个之前看着像研究玩具的东西，真的开始能让机器人干活。Kairos 这次开源把整个赛道的工程门槛拉到了一个新的水位——4B 参数能跑、A800 实时推理、端侧能控制本体——剩下的事情，就看社区接力了。

参考来源

• Kairos 官方 GitHub 仓库 - 开悟世界模型 Kairos 3.0-4B 开源代码和模型权重