拒绝视频生成，深度跃迁提出具身基座模型全新路线

编辑｜杨文 智能涌现的早期迹象，出现了。 机器人手拿一包爆米花，正准备将它放进微波炉，此时实验人员把微波炉门关上。数采员从未采集过这种情况的数据。机器人继续保持手中的目标物，重新打开微波炉门，接着完成原来的任务。 类似地，在另一次实验中，微波炉门只留下一条狭窄缝隙。机器人没有回到训练中学过的把手操作流程，直接用手里的包装将门推开。 这两段演示来自深度跃迁最新发布的 世界动作模型 DELE-w0.5 。其技术报告将这种表现称为「目标条件下的行为重组」，即当环境偏离训练轨迹，机器人仍能保留原来的任务目标，并根据新的状态调整动作。 深度跃迁是一家专注于从真实任务中持续进化的跨本体具身大脑平台公司，已完成由复兴创富独家投资的数千万元天使轮融资。核心团队长期研究生成式策略、强化学习与具身智能，并围绕真实机器人任务自主研发了 DELE 系列具身大脑模型。 项目主页：https://deepleap-x.com/research/dele-w0.5 论文链接：https://arxiv.org/pdf/2608.22067 目前，一类世界动作模型建立在视频生成模型之上，机器人在执行动作前，需要同时预测动作和未来视觉轨迹。这种方式能够提供丰富的时空信息，但会消耗大量计算资源。为了输出一组低维动作，模型需要处理机械臂移动、物体外观和光影变化等高维视觉内容。 DELE-w0.5 放弃了这条链路。训练时，模型联合学习机器人动作和动作完成后的未来世界表征；推理时，未来世界表征分支被移除，机器人根据语言和当前视觉信息直接生成动作。 在 640 次真机实验中，DELE-w0.5 取得 62.5% 的完整任务成功率和 81.3% 的平均阶段进度。 两项指标均远超过最强基线 。 不生成未来视频，模型如何学会动作与世界变化之间的关系？这种未来世界表征，又如何转化为真实世界中的执行能力？ 视频生成技术，为何成了控制负担？ 当前机器人基础模型大致有两条路线。 第一条是 视觉 — 语言 — 动作模型，即 VLA 。它接收语言指令、当前多视角观测和本体自身状态，然后直接输出动作。整个过程可以分为三步：输入语言指令和当前观测，接着由视觉语言模型（VLM）进行任务规划，最后由动作专家（Action Expert）将规划解码为机器人可执行的控制信号。 这条链路相对直接。模型能够学习当前观察与动作之间的映射关系，至于这些动作会给环境带来什么变化，相关信息通常被隐含地编码在模型参数中。 第二条路线是 世界动作模型，也就是 WAM 。 视频式 WAM 会同时预测机器人动作和未来视觉轨迹，模型通过未来画面学习物体运动、空间变化和接触关系，进而获得更丰富的时空先验。问题在于，对于机器人操作而言，世界模型的目的并不是复现真实世界在每一个中间时刻的视觉信息，而是预测动作执行后达到的世界表征。中间帧仅描述不同物理状态之间的视觉过渡，不仅占用大量的模型容量和计算资源，而且无法直接刻画机器人动作所要实现的物理结果。 以开门为例，机器人真正需要完成的是稳定抓住把手、旋转把手、推开门，并让门保持在指定角度，至于机械臂在每一帧中的外观变化，控制系统没有必要逐一还原。 这种差异会直接反映在计算成本上。多帧视频 latent 通常远大于对应的动作序列，它们会增加模型的序列长度、显存占用和训练负担。在推理阶段，模型还需要对高维的视频与动作 latent 进行多轮去噪，机器人的控制循环因此受到视频生成速度的限制。 近年来，部分研究开始通过小型视频骨干、稀疏视频 token 和少步扩散等方式降低开销。这些方法能够减轻计算压力，视频轨迹依然保留在核心建模目标中。 DELE-w0.5 进一步提出：对于机器人控制，世界模型真正需要预测什么？深度跃迁将重点放在 动作完成后的世界表征上 。 开门任务中，关键结果是门是否打开并保持稳定；杯中加冰任务中，目标是冰块进入直立的杯子，相关工具回到指定位置；冰箱取可乐任务中，机器人需要保留目标饮料，并完成冰箱关门。这些结果都可以用未来世界表征来刻画。 由此，三类模型形成了不同的预测目标。 VLA 预测当前条件下的动作，视频式 WAM 联合预测动作和完整未来视觉轨迹，DELE-w0.5 联合预测动作和动作结束后的未来世界表征 。 模型仍然学习未来，需要处理的未来信息变得更加紧凑，也更贴近机器人控制目标。 未来世界表征只参与训练，不参与推理 DELE-w0.5 采用 双流 Transformer 架构 。 模型首先接收语言指令、机器人当前的多视角图像和本体状态，语言指令由 Qwen3 编码，视觉信息由 DINO-v3 编码，包括一个头部视角和两个腕部视角。在动作侧，模型一次预测长度为 60 的动作序列，对于 Astribot S1 双臂机器人，每个时间步包含 14 维动作，覆盖两只机械臂的位置变化、姿态变化和夹爪状态。 模型内部包含条件流和噪声流。条件流处理语言与当前视觉，并将两类信息融合为统一的条件表征。噪声流处理加入噪声的动作序列与未来世界表征，模型通过 Flow Matching 同时学习动作去噪和未来状态去噪。 DELE-w0.5 架构概览。 未来世界表征在这里并非一张生成出来的图片。它来自 DINO-v3 对未来观察的编码，用来表征物体位置、机械臂状态和空间关系等信息，模型只需在 latent 空间学习这种状态变化，无需还原完整视觉画面，也无需生成中间视频帧。 DELE-w0.5 还设计了非对称注意力机制。训练过程中，动作 token 可以读取语言、当前观察和动作序列内部的信息，无法读取未来状态目标，这样可以防止动作预测提前看到未来答案。 训练和推理阶段的注意力掩码。 未来世界表征 token 可以读取语言、当前观察和动作。它需要学习一个具体问题：执行这组动作后，环境会进入什么状态？ 未来世界表征的损失会通过共享参数参与模型训练，动作生成路径虽然不读取未来世界表征 token，其底层表征仍会受到动作后果学习的影响。这意味着，未来世界表征在 DELE-w0.5 中承担训练监督功能，它帮助模型建立动作与环境变化之间的联系，不会成为机器人每次行动前必须经过的显式步骤。 进入推理阶段后，未来世界表征 token 被全部移除，模型只保留语言、当前观察和动作，机器人无需先生成未来图片，也无需等待一段未来视频完成去噪，控制链路因此变得更短。 DELE-w0.5 没有使用开源机器人基础模型、VLA 或视频生成模型的既有权重进行二次封装，其核心基座从底层自研，模型结构、可行动世界状态表征、具身数据配方和本体适配均围绕真机任务设计。 数据显示， DELE-w0.5 在英伟达 RTX 4090 上的推理延迟中位数为 87.5 毫秒 。其推理速度快于 GWP0.5、π0.5、LingBot-VLA2 和 HY-VLA，与 Spirit-v1.5 接近，同时取得了更高的完整任务成功率。 从具身智能角度看 DELE-w0.5 真正改变了什么？ DELE-w0.5 与视频 WAM 的差别，不只是生成帧数从多变少，还有模型依赖关系发生了根本变化： 视频生成关注的是观察空间中的连续变化，机器人控制关注的是物理世界中的可执行结果。对于「打开冰箱并取出饮料」这样的任务，机