自变量发布WALL-SS世界模型

机器人从赛场走向家庭，试错成本陡然上升

过去一周，人形机器人几乎刷屏：刷新百米纪录、原地起飞近三米、腾空外摆 540°……今年在北京举办的世界人形机器人运动会更是热闹，来自六大洲 16 个国家的 666 支队伍、2056 台机器人参赛，项目从田径武术延伸到家庭、酒店、工业和应急救援等真实场景。

赛场上翻车，大家笑笑就过去了。可一旦进入家庭，打翻水杯、撞倒家具、把刚收好的衣服重新扯到地上，就笑不出来了。真实世界里没有固定跑道和统一摆放的道具，杯子被挪动一点、桌面多出一块抹布，原本训练好的动作就可能失效。

把试错搬进虚拟世界，正是当下世界模型想做的事：让机器人在动手前先预演——手往左偏一点会不会抓空，夹爪提前闭合会不会碰倒杯子。

世界模型的瓶颈：画面逼真，不等于策略可靠

不少世界模型无法实现可靠的虚拟测试。它们可能看懂了画面，却没有真正听从动作；推演时间一长，物体和位置开始漂移；虚拟世界里表现更好的策略，到了真机上未必奏效。

问题出在几个层面：

• 磁铁式抓取：训练数据以成功示范为主，模型容易走捷径——只要夹爪闭合，物体就应该被抓起来，即使画面里夹爪与物体之间还有明显空隙。
• 误差累积：生成完一段画面后，还要把它作为下一段预测的依据，前面一点小误差会在后续不断放大。
• 记忆两难：只保留最近几帧会忘记做过什么，保留全部历史则计算量和显存持续增长。

机器人从「会做」走到「做成」，往往就卡在最后几毫米。世界模型如果直接把这几毫米抹平，给出的未来越流畅，机器人越容易高估一套动作的可靠性。

WALL-SS 的解法：让动作和画面走在同一条时间线上

自变量机器人发布的自回归世界模型 WALL-SS，试图突破这些瓶颈。它的核心思路是：预测接下来几秒画面时，先搭出一版「低清预览」，确定机械臂往哪走、物体大概怎么移动；随后把同一段画面一层层调清，补上物体轮廓、夹爪开合和接触位置。论文把这种从大轮廓到小细节的层级称为「尺度」，已生成画面和发生过的动作会成为下一段预测的历史，即「下一尺度自回归」。

画面每清晰一些，动作也会再影响一次未来。手臂往左还是往右，先改变低清画面里的运动方向；夹爪何时闭合，继续影响清晰画面里有没有碰到杯子。

研究团队还保留了抓空、滑落、碰撞、重新抓取、人工接管和失败恢复等过程。如果训练数据里没有失败，世界模型很容易把「任务目标」误当成「必然结局」。

长任务不「断片」：压缩记忆与梦境强迫

家庭任务往往包含多个连续步骤，打开抽屉、拿起物品、放进抽屉、再关上，可能持续几十秒。机器人还要记住抽屉是否已经打开、物品目前在桌面还是手里。

WALL-SS 没有让模型把每一帧永远背下来，而是让记忆随时间自动变得「模糊」：刚刚发生的动作保留更多细节，更早的历史被压缩，最初的观察画面则作为场景和物体身份的锚点。这就是「尺度压缩的长时间跨度记忆」。

即便如此，预测过程中仍会积累小误差。为此 WALL-SS 采用「逐尺度梦境强迫」：训练时给历史信息加入扰动，要求基于有误差的信息预测正确的未来，相当于让机器人平时就在「有小错误的梦」里继续往下走，学会别把一个小错滚成整段任务崩溃。

在长时测试中，WALL-SS 连续推演 60 秒，轨迹误差、片段衔接、物体状态和视觉质量都比对照模型更稳定。倒水任务包含接近水瓶、抓握、抬起、倾倒和放回等阶段，60 秒推演中机械臂逐帧轨迹误差保持在画面对角线的 0.5% 以下。只保留最近片段的版本在 20 至 30 秒后开始明显恶化；去掉梦境强迫后，长期状态一致性也会持续下降。

虚拟成绩能否替真机筛策略

就算动作对了、记忆没断片，虚拟世界仍可能与现实存在偏差。WALL-SS 给自己的预测安排两位长期在线的「裁判」：一个检查动作，比如画面里的机械臂是否按给定方向移动、物体是否产生对应变化；另一个审核长期一致性，看机器人和物体的状态有没有漂移、前后片段能否接上、多个摄像头看到的世界是否一致。最后根据评分调整下一次生成不同未来的概率，这套过程叫「视觉动力学的在线策略对齐」。

对齐之后，动作跟随从 0.264 提升至 0.290，轨迹精度从 0.512 提升至 0.539，跨片段边界误差从 0.118 降至 0.104，画面质量基本没有变化。

研究团队还把多套机器人策略分别放进 WALL-SS 和真实世界测试，在虚拟世界里执行效果很好的动作策略，搬到物理世界往往也有好的结果。机器人做的「梦」，开始能够用来练习和筛选真实动作。