智源研究院“悟界PHYSIS-V0.1”：通用世界基座模型研究报告

智源研究院“悟界PHYSIS-V0.1”：通用世界基座模型研究报告

作者：淞基科技（上海）有限公司、淞基信息通信研究院
日期：2026 年 6 月 15 日

摘要

2026 年 6 月 12 日，北京智源研究院在第八届北京智源大会上正式发布全球首个面向物理世界的通用基座模型 —— 悟界 PHYSIS-V0.1（以下简称 “PHYSIS-V0.1”）。该模型突破传统 AI 从语言感知到物理规律推演的技术瓶颈，可精准识别质量、重力、摩擦力等核心物理属性，并实现物体运动状态的长程预测与推演。作为全球第五类世界模型技术路线的开创者，PHYSIS-V0.1 以物理隐空间表征为核心架构，配套发布训练框架、推理引擎、数据工具链的全栈体系，构建自主可控的物理 AI 研究基础设施。本报告从技术背景、核心架构、能力特性、应用场景、行业对比、发展挑战与未来展望七大维度，系统剖析 PHYSIS-V0.1 的技术突破与产业价值，为物理 AI 领域的学术研究与产业落地提供参考。

关键词：悟界 PHYSIS-V0.1；通用世界基座模型；物理 AI；物理隐空间；全栈体系；具身智能

一、研究背景

1.1 人工智能范式演进：从数字世界到物理世界

人工智能发展历经三次关键范式跃迁：第一代以规则驱动为核心，聚焦特定场景的符号化逻辑处理；第二代以数据驱动为核心，大语言模型（LLM）、多模态模型（VLM）实现语言理解、图文生成等数字世界交互能力；第三代以物理驱动为核心，世界模型（World Model）成为核心基座，推动 AI 从 “理解数字” 向 “理解物理世界” 跨越。

当前主流 AI 模型（如 GPT 系列、文心一言、通义千问等）的核心能力源于海量文本、图像数据的经验归纳，而非对物理规律的本质理解。例如，大语言模型可描述 “推桌边的杯子会掉落”，但无法精准预测杯子的下落轨迹、落地姿态及碰撞结果；多模态模型生成的视频常出现物体穿透、重力反转、无支撑悬浮等违背物理规则的内容。此类缺陷导致 AI 难以落地工业制造、机器人控制、自动驾驶等对物理一致性要求极高的真实场景，成为制约 AI 从 “数字娱乐” 走向 “物理生产力” 的核心瓶颈。

1.2 世界模型行业现状：四类技术路线的局限性

世界模型作为物理 AI 的核心载体，旨在构建能感知、预测、交互物理世界的 AI 系统。截至 2026 年 6 月，全球世界模型可分为四类主流技术路线，均存在显著短板：

• 语言为中心（VLM/VLA 路线）：以文本语义为核心，通过语言描述理解世界，优势是交互便捷，但无法实现物理状态的量化推演，“能描述世界，不等于能推演世界”。

• 像素为中心（视频生成路线）：聚焦帧级像素预测，追求生成画面的逼真度，但忽略物理规律约束，易出现物理错误，且长程推演时像素误差累积严重。

• 三维结构为中心（重建路线）：侧重物体几何结构重建，可实现空间感知，但缺乏对重力、摩擦力、碰撞等动态物理属性的建模能力。

• 视觉表征为中心（JEPA 系列路线）：通过自监督学习提取视觉特征，具备一定抽象表征能力，但未建立物理状态与特征的直接映射，无法支撑物理交互决策。

上述四类路线均未突破 “数字表征” 的核心局限，无法真正掌握物理世界的运行规律，行业亟需一种通用、物理可信、长程可推演的全新技术范式。

1.3 智源研究院布局：从 “悟道” 到 “悟界” 的技术沉淀

智源研究院作为国内最早布局世界模型研究的科研机构，自 2023 年起系统性推进物理 AI 技术研发，形成 “悟道（语言）— 悟界（物理）” 的递进式技术路线：

• 2023 年：率先引入世界模型核心概念，启动物理 AI 底层技术预研；

• 2024 年：预判世界模型为下一代 AI 核心赛道，发布多模态模型悟界 Emu 系列，初步融入时空关系与因果逻辑建模能力；

• 2025 年：发布悟界 Emu3.5，内置物理世界演化规律建模能力，攻克生成内容违背物理规则的行业痛点，成果发表于《Nature》正刊，实现国产多模态大模型在顶级期刊的突破；

• 2026 年：发布全球首个通用世界基座模型 PHYSIS-V0.1，正式完成从 “语言理解” 到 “物理推演” 的技术跃迁，构建物理 AI 全栈技术体系。

二、PHYSIS-V0.1 核心技术架构

2.1 核心设计理念：从 “预测下一个词” 到 “预测下一个物理状态”

PHYSIS-V0.1 彻底摒弃传统 AI“逐词 / 逐帧预测” 的核心逻辑，创新性提出物理隐空间表征技术路线，核心目标是让 AI 学习 “物理状态如何变化”，而非 “画面 / 文字如何生成”。其核心设计理念可概括为：全模态信息统一压缩 — 物理隐空间状态表征 — 物理规律约束推演 — 多模态输出解码，实现从 “感知物理” 到 “理解物理” 再到 “推演物理” 的完整闭环。

2.2 整体架构：物理隐空间 + 全模态编码器 + 物理推演解码器

PHYSIS-V0.1 采用 \\“1 个核心隐空间 + 3 大功能模块”\\ 的分布式架构，整体结构如图 1 所示：

• 物理隐空间（Latent State）：模型核心，作为标准化物理状态容器，统一存储视频、深度 RGB、3D 点云、力触反馈等全模态信息压缩后的特征向量，维度为 512 维，可表征质量、重力、摩擦力、弹性、惯性等 20 + 核心物理属性。

• 专属物理状态编码器：输入模块，支持多模态异构数据接入，通过卷积神经网络（CNN）+Transformer 混合架构，将不同模态数据压缩为统一维度的物理隐空间状态向量，解决多模态数据异构、特征不兼容的行业难题。

• 物理规律推演引擎：核心计算模块，内置物理规则知识库（含经典力学、流体力学、碰撞动力学等基础物理规律），基于强化学习实现跨场景通用物理规律学习，支持 50 + 复杂物理场景的长程推理，推理长度可达 1000 步以上。

• 多模态解码器：输出模块，可将物理隐空间状态向量解码为视频、3D 模型、动作指令、物理参数等多模态输出，适配不同下游任务需求。

2.3 关键技术突破

2.3.1 物理隐空间表征技术

传统模型依赖像素、文本、几何结构等显式表征，存在维度冗余、物理信息缺失、泛化性差等问题。PHYSIS-V0.1 的物理隐空间表征技术实现三大创新：

• 统一表征：将视频（2D 时序）、深度图（2.5D）、3D 点云（3D 空间）、力触反馈（力学信号）等异构数据，统一压缩为 512 维物理状态向量，消除模态壁垒；

• 物理嵌入：隐空间向量的每一维度对应特定物理属性（如质量、重力加速度、摩擦系数），实现 “特征维度 = 物理属性” 的直接映射；

• 泛化增强：隐空间表征聚焦物理本质规律，而非表面特征，使模型在未见过的新场景中仍能保持物理一致性，跨场景泛化能力提升 80% 以上。

2.3.2 全模态物理状态编码器

针对物理世界数据模态多样、噪声干扰大、时空关联性强的特点，PHYSIS-V0.1 自研专属物理状态编码器，具备三大特性：

• 多模态兼容：支持 RGB 视频、深度相机数据、LiDAR 点云、力传感器数据、IMU 惯性测量数据等 10 + 主流物理感知数据接入；

• 时空融合：采用 3D 卷积 + 时序注意力机制，同时捕捉空间几何特征与时间动态变化特征，精准建模物体运动轨迹与物理状态演变；

• 噪声鲁棒：内置物理规则校验模块，可过滤环境噪声、传感器误差等无效数据，在噪声干扰场景下物理推理准确率仍保持 95% 以上。

2.3.3 物理规律强化学习引擎

PHYSIS-V0.1 内置物理规律强化学习引擎，突破传统模型 “数据驱动、无物理约束” 的训练模式，实现数据 + 物理双驱动的训练范式：

• 物理规则先验注入：将经典力学、碰撞理论、流体力学等基础物理规律编码为可微函数，嵌入模型训练过程，作为损失函数的约束项，确保模型输出符合物理规则；

• 跨场景通用学习：通过混合训练 50 + 不同复杂度的物理场景（含刚体运动、流体流动、柔性物体形变、多物体碰撞等），学习通用物理规律，而非特定场景的专属特征；

• 长程推理优化：采用分层时序注意力机制，解决长程推演时梯度消失、误差累积的问题，支持 1000 步以上的稳定长程推理，长程一致性准确率达 90% 以上。

2.4 全栈体系配套：训练框架 + 推理引擎 + 数据工具链

PHYSIS-V0.1 不仅发布模型权重，还配套发布自主可控的物理 AI 全栈研究基础设施，打破国外技术垄断，降低行业物理 AI 研发门槛：

• 训练框架（Physis-Train）：基于 PyTorch 自研，支持多机多卡分布式训练，内置物理数据预处理模块、物理规则损失函数库、强化学习算法库，适配物理世界模型的专属训练需求，训练效率比通用框架提升 40% 以上；

• 推理引擎（Physis-Infer）：支持端侧（嵌入式设备）、边缘侧（工业服务器）、云端（大规模集群）多场景部署，模型压缩后体积仅为 1.2GB，推理延迟低至 10ms，可满足实时物理交互场景需求；

• 数据工具链（Physis-Data）：含物理数据采集、清洗、标注、增强四大模块，支持真实物理数据与仿真数据的混合处理，内置 50 + 物理场景数据集，解决行业物理数据稀缺、标注成本高的痛点。

三、PHYSIS-V0.1 核心能力特性

PHYSIS-V0.1 作为全球首个通用世界基座模型，具备物理一致性、动作因果性、长程可推演性、通用泛化性四大核心能力，全面超越传统多模态模型与垂类世界模型。

3.1 物理一致性：输出结果严格符合物理规律

物理一致性是物理 AI 的核心基础能力，指模型输出的物体状态、运动轨迹、交互结果严格遵循重力、摩擦力、碰撞守恒等物理规则。PHYSIS-V0.1 通过物理规则先验注入与隐空间物理属性约束，彻底解决传统模型 “物理错误频发” 的行业痛点：

• 刚体运动一致性：精准预测物体在重力、摩擦力作用下的运动轨迹，如斜面滑动、自由落体、抛物运动等，轨迹误差小于 5%；

• 碰撞动力学一致性：遵循动量守恒、能量守恒定律，精准模拟物体碰撞后的速度、方向、形变，无穿透、无悬浮、无反弹异常；

• 多物体交互一致性：支持复杂场景下多物体（10+）的同时交互推演，如堆叠物体倾倒、多球碰撞连锁反应等，物理逻辑无矛盾。

3.2 动作因果性：行为与结果可溯源、可解释

传统 AI 模型（如黑盒大模型）的决策过程缺乏因果逻辑，行为与结果无明确关联，难以满足工业场景的安全可控需求。PHYSIS-V0.1 通过因果推理模块 + 物理状态溯源机制，实现动作因果的可解释、可追溯：

• 因果链构建：可自动解析场景中物体属性、环境条件、动作指令之间的因果关系，构建 “动作 — 物理状态变化 — 结果” 的完整因果链；

• 结果溯源：当输出结果出现偏差时，可反向追溯至因果链中的关键节点（如物理属性识别错误、动作指令偏差），定位问题根源；

• 异常预警：可识别违背因果逻辑的异常动作（如无外力作用下物体运动），提前预警并纠正，提升物理交互的安全性。

3.3 长程可推演性：支持复杂场景的长期稳定预测

长程推演能力是衡量世界模型实用价值的关键指标，指模型可对未来较长时间内的物理状态进行连续、稳定、准确的预测。传统模型受限于梯度消失、误差累积问题，长程推演（>100 步）时准确率急剧下降，无法满足工业机器人、自动驾驶等长期任务需求。PHYSIS-V0.1 通过分层时序注意力机制与隐空间状态校准技术，实现1000 步以上的稳定长程推演：

• 时序分层建模：将长程时序划分为短期（1-100 步）、中期（100-500 步）、长期（500-1000 步）三层，分别采用不同注意力机制，兼顾短期精度与长期稳定性；

• 隐空间状态校准：每 100 步进行一次物理状态校准，利用物理规则校验当前状态的合理性，修正累积误差，确保长程推演一致性；

• 复杂场景适配：支持 50 + 复杂物理场景（如工业装配、流体模拟、柔性物体操作）的长程推理，长程一致性准确率达 90% 以上。

3.4 通用泛化性：一套模型适配全场景物理交互

传统 AI 模型多为垂类专用，需针对工业、机器人、自动驾驶等不同场景单独开发、训练模型，研发成本高、周期长、泛化性差。PHYSIS-V0.1 作为通用世界基座模型，通过物理隐空间的通用表征能力，实现一套模型适配全场景物理交互：

• 跨场景泛化：在 50 + 训练场景之外，可直接适配新的未知物理场景（如新型工业设备、陌生家庭环境），无需重新训练，零样本泛化准确率达 85% 以上；

• 跨模态泛化：可在视频、3D 点云、力触反馈等不同模态数据之间自由切换，输入一种模态数据，可输出其他模态的物理状态预测结果；

• 跨任务泛化：支持物理仿真、机器人控制、工业质检、科学研究等多种下游任务，无需针对任务定制模型结构，大幅降低行业研发门槛。

四、PHYSIS-V0.1 核心应用场景

PHYSIS-V0.1 凭借四大核心能力，可广泛应用于严肃工业、具身智能、物理仿真、科学研究四大领域，覆盖工业制造、机器人、自动驾驶、航空航天、生物医药等多个行业，推动物理 AI 从实验室走向产业落地。

4.1 严肃工业领域：工业制造与智能制造

在工业制造场景中，PHYSIS-V0.1 可赋能工业机器人、智能产线、工业质检等核心环节，提升智能制造的精度、效率与安全性：

• 工业机器人控制：机械臂精准抓取、装配、焊接等操作，可预测物体受力形变、碰撞结果，避免操作失误，装配精度提升至 0.01mm，故障率降低 60%；

• 智能产线优化：模拟产线设备运行状态、物料流动轨迹，预测设备故障、物料拥堵，提前优化产线布局与调度策略，产线效率提升 30% 以上；

• 工业质检：基于 3D 点云与物理属性分析，检测产品表面缺陷、尺寸偏差、结构强度异常，质检准确率达 99.9%，检测效率提升 5 倍。

4.2 具身智能领域：服务机器人与人形机器人

具身智能是 AI 落地物理世界的核心载体，PHYSIS-V0.1 作为具身智能的 “物理大脑”，可赋予机器人感知、预测、交互物理世界的完整能力，支撑服务机器人、人形机器人在家庭、酒店、物流等场景的长期自主作业：

• 家庭服务机器人：完成端茶倒水、物品整理、老人看护等任务，可识别物体重量、重心，预测抓取稳定性，避免物体掉落、倾倒；

• 酒店 / 商用服务机器人：自主导航、避障、物品配送，可预测行人运动轨迹、障碍物动态变化，动态规划最优路径，避障成功率达 98% 以上；

• 人形机器人：实现行走、攀爬、搬运等复杂动作，可模拟人体关节受力、平衡状态，预测动作稳定性，支撑人形机器人在复杂环境中的自主行动。

4.3 物理仿真领域：数字孪生与虚拟仿真

物理仿真是工业设计、产品测试、场景模拟的核心工具，传统仿真引擎存在算力开销大、仿真精度低、虚实迁移差距明显等问题。PHYSIS-V0.1 可作为AI 物理模拟器，构建高精度、高效率、低成本的物理仿真系统：

• 数字孪生：构建工业设备、工厂、城市的数字孪生体，实时同步物理状态，预测设备运行趋势、故障风险，支撑远程监控、预测性维护；

• 产品虚拟测试：汽车、飞机、机械装备等产品的虚拟碰撞、强度测试、耐久性测试，无需实体样机，研发周期缩短 50%，测试成本降低 70%；

• 游戏 / 影视特效：生成符合物理规律的逼真特效（如爆炸、水流、布料形变），提升画面真实感，特效制作效率提升 4 倍。

4.4 科学研究领域：物理规律探索与科学计算

PHYSIS-V0.1 可作为科学研究的 AI 助手，赋能物理学、材料学、流体力学、天文学等领域的基础研究与应用研究：

• 物理规律验证：模拟微观粒子运动、宏观天体演化、复杂流体流动等物理过程，验证现有物理理论，探索未知物理规律；

• 材料研发：预测新材料的力学、热学、光学性能，模拟材料在不同环境下的形变、失效过程，加速高性能材料研发；

• 环境与气象预测：模拟大气流动、海洋洋流、地质运动等复杂物理过程，提升气象预报、地震预测、环境治理的精度与可靠性。

五、行业对比：PHYSIS-V0.1 与同类模型的差异化优势

当前全球物理 AI 领域的代表性模型包括英伟达 Cosmos、小鹏世界基座模型、Archetype AI Newton 等，与 PHYSIS-V0.1 相比，在技术路线、核心能力、全栈布局等方面存在显著差异。

5.1 主流同类模型核心信息

• 英伟达 Cosmos（2026 年 1 月）：开源全模态物理大模型，采用 Transformer 混合架构，侧重视觉与物理仿真能力，核心优势是生态完善、算力强大，短板是物理规律建模深度不足、长程推理能力较弱；

• 小鹏世界基座模型（2025 年）：720 亿参数，聚焦自动驾驶场景，采用 “视觉 — 语言 — 动作” 路线，核心优势是自动驾驶场景适配性强，短板是垂类专用、泛化性差、物理规律通用性不足；

• Archetype AI Newton（2024 年）：首个物理世界理解基础模型，专注多传感器数据融合，核心优势是多模态感知能力强，短板是模型规模小、推理能力弱、无全栈体系支撑；

• 智源 PHYSIS-V0.1（2026 年 6 月）：全球首个通用世界基座模型，采用物理隐空间表征路线，核心优势是物理一致性强、长程可推演、通用泛化性高、全栈体系自主可控。

5.2 核心维度对比分析

5.3 差异化核心优势总结

通过对比可见，PHYSIS-V0.1 的核心差异化优势在于 \\“通用 + 物理可信 + 全栈自主可控”\\，具体体现在三大方面：

• 技术范式独创：开创全球第五类世界模型技术路线，物理隐空间表征彻底突破传统模型的数字表征局限，从根源上解决物理一致性与长程推演难题；

• 能力全面领先：四大核心能力（物理一致性、动作因果性、长程可推演性、通用泛化性）全面超越同类模型，尤其是通用泛化性与长程推理能力，领先行业 1-2 代；

• 全栈自主可控：配套发布训练框架、推理引擎、数据工具链，构建完整的物理 AI 研究基础设施，打破国外技术垄断，为国内物理 AI 产业提供底层支撑。

六、发展挑战与风险分析

尽管 PHYSIS-V0.1 实现了技术突破，但作为全球首个通用世界基座模型，在技术落地、产业推广、生态建设等方面仍面临多重挑战与风险。

6.1 技术挑战

6.1.1 物理数据稀缺与质量不足

物理世界数据（尤其是真实交互数据）稀缺、标注成本高、数据孤岛严重，是制约世界模型发展的核心瓶颈。PHYSIS-V0.1 虽配套发布数据工具链，但高质量、大规模、多样化的物理数据仍需长期积累，数据不足将导致模型泛化能力受限、复杂场景适配性不足。

6.1.2 极端物理场景适配能力不足

当前 PHYSIS-V0.1 支持 50 + 常规物理场景，但对极端场景（如高温高压、强电磁场、微观量子尺度、超高速运动）的物理规律建模能力不足，此类场景下推理准确率显著下降，难以满足航空航天、核工业、量子物理等高端领域需求。

6.1.3 模型规模与推理效率的平衡难题

物理隐空间表征需存储大量物理属性信息，模型规模较大（基础版 10 亿参数，专业版 50 亿参数），端侧部署时推理延迟、算力开销较高，难以适配嵌入式设备、低功耗机器人等资源受限场景，需进一步优化模型压缩与推理加速技术。

6.2 产业挑战

6.2.1 行业认知与接受度不足

物理 AI 属于新兴领域，工业、机器人、自动驾驶等传统行业对世界模型的技术价值、应用场景认知不足，缺乏成熟的落地案例与商业模式，导致行业 adoption 速度较慢，难以快速形成产业规模。

6.2.2 产业链配套不完善

物理 AI 产业涉及传感器、芯片、操作系统、机器人本体、行业软件等多个环节，当前国内产业链存在高端传感器依赖进口、专用芯片算力不足、行业适配软件缺失等问题，制约 PHYSIS-V0.1 的大规模产业落地。

6.2.3 商业化盈利模式不清晰

PHYSIS-V0.1 作为通用基座模型，商业化路径包括模型授权、技术服务、行业解决方案等，但当前行业需求尚未明确，定价机制、盈利模式不清晰，短期内难以实现规模化盈利，可持续发展面临挑战。

6.3 风险分析

6.3.1 技术迭代风险

物理 AI 技术处于快速迭代期，英伟达、谷歌、OpenAI 等国际巨头均在加大研发投入，未来可能出现更先进的技术路线或模型，导致 PHYSIS-V0.1 的技术领先性被削弱，面临技术迭代落后的风险。

6.3.2 开源生态风险

PHYSIS-V0.1 宣布训练完成后开源开放，虽有助于快速构建生态，但也存在技术泄露、被竞争对手低成本复制、开源版本与商业版本冲突等风险，需平衡开源开放与知识产权保护的关系。

6.3.3 安全伦理风险

PHYSIS-V0.1 具备物理世界推演与交互能力，若被恶意利用，可能导致工业设备故障、机器人失控、物理安全事故等风险；同时，模型决策过程的黑盒特性可能引发伦理争议，需建立完善的安全管控与伦理规范体系。

七、未来展望

7.1 技术迭代规划

智源研究院明确 PHYSIS 系列模型将持续迭代升级，核心规划如下：

• 短期（6-12 个月）：发布 PHYSIS-V0.2 版本，优化极端场景适配能力，新增流体、柔性物体等复杂物理规律建模；开源基础版模型权重与训练框架，开放 50 + 物理场景数据集，推动行业生态建设；

• 中期（1-2 年）：发布 PHYSIS-V1.0 正式版，模型参数提升至 100 亿级，支持 100 + 物理场景长程推理，端侧推理延迟降至 5ms 以下；完善全栈体系，推出行业定制化解决方案，覆盖工业、机器人、自动驾驶等核心领域；

• 长期（3-5 年）：构建 PHYSIS 物理 AI 生态，实现模型、数据、工具、硬件的深度融合；推动世界模型成为物理 AGI 的核心基座，支撑 AI 全面渗透物理世界，赋能千行百业。

7.2 产业价值与影响

7.2.1 推动 AI 范式革命，引领全球物理 AI 发展

PHYSIS-V0.1 的发布标志着人工智能正式从 “数字世界时代” 迈入 “物理世界时代”，其独创的物理隐空间表征技术路线将成为全球世界模型的主流发展方向，引领全球物理 AI 技术迭代与产业变革，提升中国在 AI 前沿领域的全球话语权。

7.2.2 赋能实体经济，推动产业智能化升级

PHYSIS-V0.1 可深度赋能工业制造、机器人、自动驾驶、航空航天等实体经济领域，解决传统产业 “智能化程度低、效率低、成本高” 的痛点，推动实体经济向 “智能制造、智能服务、智能运维” 升级，为中国制造业高质量发展注入新动能。

7.2.3 构建自主可控生态，保障国家 AI 安全

PHYSIS-V0.1 配套发布自主可控的训练框架、推理引擎、数据工具链，打破国外在物理 AI 领域的技术垄断，构建 “模型 + 数据 + 工具 + 硬件” 的全栈自主可控生态，降低对国外技术的依赖，保障国家 AI 安全与产业安全。

7.3 总结

悟界 PHYSIS-V0.1 作为全球首个面向物理世界的通用基座模型，是中国 AI 领域的重大原创性突破，实现了从语言感知到物理规律推演的技术跃迁，构建了自主可控的物理 AI 全栈体系。其四大核心能力与广泛应用场景，将推动 AI 从数字世界全面走向物理世界，赋能实体经济智能化升级，引领全球物理 AI 发展新趋势。

尽管当前面临技术、产业、安全等多重挑战，但随着技术持续迭代、产业生态不断完善、应用场景逐步落地，PHYSIS 系列模型必将成为物理 AGI 的核心基座，为千行百业的智能化转型提供底层支撑，开启人工智能发展的新纪元。

数据来源与免责声明

数据来源

1. 北京智源研究院 2026 年 6 月 12 日第八届北京智源大会悟界 PHYSIS-V0.1 发布会官方资料；

2. 智源研究院院长王仲远专访内容（中证网、凤凰网科技，2026 年 6 月 13-15 日）；

3. 智源社区、科学网、网易科技等权威科技媒体报道（2026 年 6 月 12-15 日）；

4. 英伟达、小鹏、Archetype AI 等企业官方发布的同类模型技术资料；

5. 智源研究院公开的悟界系列模型技术白皮书与研究论文。

免责声明

1. 本报告基于公开可获取的信息编制，淞基科技（上海）有限公司、淞基信息通信研究院不对报告内容的绝对准确性、完整性提供担保，读者应自行对报告内容进行独立判断；

2. 本报告仅用于学术研究与行业参考，不构成任何投资建议、商业决策建议或技术应用建议，任何基于本报告做出的决策，风险由决策者自行承担；

3. 本报告版权归淞基科技（上海）有限公司、淞基信息通信研究院所有，未经书面授权，任何单位或个人不得转载、复制、传播或用于商业用途；

4. 本报告中涉及的第三方技术、产品信息，其知识产权归原权利人所有，本报告仅作客观引用，不构成侵权或背书。