这个世界模型训练完就“退场”，机器人反而更能干了

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 这个世界模型训练完就“退场”，机器人反而更能干了 梦瑶 2026-09-05 12:18:54 来源： 量子位 金磊 发自 凹非寺 量子位 | 公众号 QbitAI 这个 世界模型 ，着实是有点 “反骨” 在身上—— 上岗前花了大把时间陪机器人训练，等机器人真要开始干活了，它却先从部署链路里退了出去。 要知道，以前的世界模型对机器人来说，就像是一个随身携带的“脑内沙盘”，机器人先借助它预测未来会发生什么，再据此决定下一步怎么动。模型想得越多，推理链路往往也越长。 但这个“反骨”世界模型，却把思路给换了一下。 它只停留在训练场里，专门检查机器人自己提出的动作会造成什么后果，再把这种检查变成策略优化的反馈。等训练完成，受控世界模型便退出部署链路，机器人执行任务时无需继续展开未来、搜索候选动作。 结果呢？ 机器人反倒是更能干活了！ 这便是由 光象科技 联合清华大学 李升波教授 课题组发布的第一代物理原生世界模型 Phi-WM 1.0 ActEffect （下文简称ActEffect），整体来看，这项技术试图回答的是具身智能里一个长期存在的问题： 机器人从演示数据里学会了动作长什么样，能否进一步利用动作可能造成的后果，反过来改善自己的策略？ 毕竟这个问题最终也会落到真实部署上。工业机器人每多运行一步模型，都对应新的时延、算力和成本。世界模型如果能在训练时发挥作用，并在执行阶段保持轻量，技术价值才有机会继续转化为部署价值。 从测试结果来看，答案也是比较明确的。 这项工作在LIBERO上取得98.8%的平均成功率，在加入七类分布偏移的LIBERO-PLUS上达到80.3%，面对29维动作空间的RoboCasa-GR1，平均成功率为67.5%。 那么如此“反骨”的方法，具体又是怎么实现的？ 我们这就深入了解一波。 先让机器人交出三版答案 ActEffect的突破口，其实藏在机器人最熟悉的 模仿学习 里。 目前很多通用机器人策略都建立在VLA之上。摄像头负责告诉机器人眼前有什么，语言指令交代任务，模型再照着演示数据生成动作。训练时，自己的答案和示范动作越接近，通常就会得到越高的分数。 可到了物理世界， 动作接近 和 结果正确 之间，还是有明显的差距的。 例如夹爪早合上一点，零件可能就没抓稳；手腕角度稍微偏一点，原本顺滑的插接便会卡住。两段动作在数值上看着差不多，落到机械臂上，结局可能完全不同。 所以，ActEffect没有急着给机器人接上一条更长的思考链，而是 先让策略把三版答案都交出来 ： 第一版来自前馈分支，像是机器人的“第一反应”； 第二版是MIP动作头给出的粗提案； 第三版在粗提案上继续精修，生成最终会被执行的动作。 这个过程的关键就在“完整”两个字。因为扩散、流匹配一类策略在训练中会经过不少带噪的中间状态，很难把每一步都当成可执行动作送进世界模型。所以ActEffect选出的三份提案则各自完整，放在同一个起点下，谁会带来更好的后果，也就有了比较的基础。 接下来，受控世界模型登场。 它拿到当前的视觉状态和一份动作提案，随后预测这段动作执行下去，场景会发生什么变化。三份动作要分别走一遍，等于让机器人在训练场里提前看了三次结果。 这里还有一个颇有意思的处理。 语言指令继续留在VLA策略一侧，负责告诉机器人要做什么 ；受控世界模型只看当前画面和动作，不再读取任务语言。 例如同样伸手推一下杯子，杯子如何移动，取决于它现在的位置、周围环境以及机械臂施加的动作。至于指令写的是“挪开杯子”还是“清理桌面”，并不会改写这次推动产生的物理变化。 除此之外， ActEffect还把未来状态放进冻结的DINOv3视觉特征空间 。它不用费力生成一张逼真的未来画面，只需抓住物体位置、姿态和场景结构如何变化。所谓“物理原生”，落点也正在这里。任务语义仍由VLA处理，动作带来的状态变化则被单独拎出来学习。 不过，看过三版结果还不够的，还有一个重要的关键环节，是把差别传回策略。 训练数据里本来就有动作执行后的真实观测。受控世界模型会把三次预测与这个真实未来逐一比较，要求精提案比粗提案更接近，粗提案又要胜过第一版前馈提案。 于是，策略每改一次动作，都能知道这次修改究竟有没有把结果往正确方向推。 为了避免模型钻空子，ActEffect还给排序损失加上了梯度截断。差答案不能靠变得更差来衬托好答案，训练只能继续推动更好的提案靠近真实未来。 通过反馈信号进行学习，世界模型对“后果”的判断被写进策略权重。到了机器人上岗那一刻，受控世界模型和未来观测分支会一起拿掉，只留下MIP动作头完成粗提案和精修。 在了解完方法之后，接下来我们就得看它有没有真把机器人教会。 先来看下 LIBERO 。这个基准包含四组单臂、多任务桌面操作，ActEffect在此拿到了 98.8% ，比DiT4DiT的98.6%高出0.2个百分点。虽然领先不算大，但更值得看的信息是引入后果反馈之后，机器人原有的基础操作能力没有被练丢。 再来看加大难度后的 LIBERO-PLUS 。 这套测试会改相机视角、机器人初始状态和语言表述，还会在光照、背景、传感器噪声、物体布局上制造变化。ActEffect的平均成功率为80.3%，相比Fast-WAM的51.5%高出不少。 到了 RoboCasa-GR1 ，任务又不一样了。模型要控制拥有双臂、灵巧手和腰部自由度的GR-1人形机器人，在29维动作空间里完成24项桌面操作。 ActEffect的平均成功率达到67.5%，比表中第二名ABot-M0高9.2个百分点，比Fast-WAM高10.8个百分点。动作维度更高、身体结构更复杂，后果反馈的作用也变得更明显。 消融实验 则是把这套方法拧开来看了一遍。 去掉后果反馈，LIBERO平均成功率从98.8%降到97.0%；把DINOv3特征空间换成VLM表示，成绩来到97.3%；拿掉排序损失后，则回落到98.1%。 从这几组实验结果来看，ActEffect确实证明了这套训练方式的有效性。 为什么这种用法会与工业部署发生关系？ 说到这里，受控世界模型为什么非得“退场”，也有了一个更现实的答案。 在实验室里看具身智能，我们的评价维度基本上就是任务成功率。但一旦进入到真实生产环境，这个维度就大变样了。 因为机器人在仿真环境里多跑一层模型，最后可能只是表格里的一项计算开销。而把同样的链路搬进汽车工厂，每一次推理都会进入产线的账本。 不仅如此，算力也会随着规模被放大。单台机器人每一步多做一次未来展开，看起来尚能接受。等方案复制到几十个工位、几百台设备，额外的显卡、功耗和维护都会变成实打实的成本。 而ActEffect把受控世界模型留在训练阶段，正好避开了这部分在线开销。它想从现有演示数据中再榨出一层监督，让机器人提前吃到“后果”的经验，上岗后又不必背着整套世界模型继续往前跑。 换句话说，它把“多想一会儿”留给了训练，把更短的链路留给了执行。 而光象科技选择这样的技术路线，也与它正