自变量发布WALL-SS世界模型：为机器人构建可验证的「虚拟训练场」

事件概述

随着人形机器人从竞技赛场走向家庭、工业等复杂真实场景，传统世界模型因无法准确反映物理规律和动作后果，导致“虚拟表现好但真机翻车”的困境。针对这一痛点，自变量机器人（X-Square Robot）发布了自回归世界模型 WALL-SS（World Model with Self-Supervised Scaling）。该模型致力于构建一个符合物理规律的“虚拟训练场”，让机器人在执行动作前进行可靠预演，并通过虚拟测试筛选出能在真机上成功执行的策略。

核心技术与突破

WALL-SS 通过以下关键技术解决了现有世界模型的缺陷：

1. 尺度自回归机制（Scale-wise Autoregression）

   • 分层预测：模型先构建低分辨率的“预览”画面确定大方向，再逐层细化轮廓、接触点等细节。每一层的生成都基于已发生的动作和历史画面，确保动作指令真正改变未来结果，而非仅靠视觉经验“脑补”成功结局。
   • 因果敏感性：相比 Cosmos3 等模型，WALL-SS 对动作变化更敏感。在固定初始画面仅改变动作轨迹的测试中，其动作跟随得分达 0.290（Cosmos3 为 0.044），轨迹精度得分 0.539，表明生成的机械臂轨迹严格遵循输入指令。

2. 尺度压缩的长时间跨度记忆

   • 动态遗忘机制：为解决长任务中的记忆累积误差，模型采用类似人类记忆的压缩方式。近期动作保留高精度细节，远期历史则压缩为物体位置、任务阶段等摘要信息。
   • 梦境强迫训练：通过在历史信息中加入扰动并强制模型预测正确未来，提升其在存在微小误差情况下的鲁棒性。在 60 秒连续推演（如倒水任务）中，轨迹误差保持在画面对角线的 0.5% 以下，显著优于仅保留最近片段的基线模型。

3. 视觉动力学在线策略对齐

   • 双裁判机制：引入两个评估模块，分别检查动作执行的准确性（如机械臂是否按路径移动）和长期状态一致性（如物体状态是否漂移、多视角是否一致）。
   • 闭环优化：根据评分调整生成概率，使虚拟环境中的策略排名更贴近真实物理反馈。对齐后，动作跟随得分提升至 0.290，跨片段边界误差降至 0.104。

关键数据与验证

• 虚实相关性：在 600 对闭环实验中，527 对的最终成败一致。虚拟环境与真机测试结果的相关系数为 0.926，平均绝对误差仅为 0.062。这意味着 WALL-SS 能以前所未有的准确度预判策略在真机上的优劣。
• 自主控制能力：结合动作专家模块，WALL-SS 在桌面双臂任务中的平均进度得分为 69.1，显著高于 π 0.5 (49.6)、DreamZero (44.1) 和 LingBot-VA (34.0)。
• 训练数据创新：团队保留了抓空、碰撞、失败恢复等非成功示范数据，防止模型将“任务目标”误认为“必然结局”，从而更真实地学习物理边界。

行业意义

WALL-SS 的出现标志着世界模型从单纯的“内容生成工具”向“研发基础设施”转变。它通过低成本的大规模虚拟初筛，大幅减少了昂贵且高风险的真机测试次数。这种“虚拟预演-真机验证-数据回流校准”的闭环，有望加速具身智能技术在复杂现实环境中的落地进程。