碾压π0.5，复旦团队：「世界模型+具身训练+强化学习」闭环框架

张家辉，复旦大学大数据学院博士三年级学生，研究方向为具身智能、视觉 - 语言 - 动作模型预训练与强化学习后训练，4D-VLA (NeurIPS 25) 第一作者。黄泽，复旦大学大数据学院博士三年级学生，主要从事机器人世界模型与三维重建、生成等方向研究。两人共同担任本文第一作者。

张力，复旦大学大数据学院教授，上海创智学院全时导师，担任本论文的通讯作者。主页：https://lzrobots.github.io

Vision–Language–Action（VLA）策略正逐渐成为机器人迈向通用操作智能的重要技术路径：这类策略能够在统一模型内同时处理视觉感知、语言指令并生成连续控制信号。

然而，当前大多数 VLA 仍主要依赖模仿学习，实质上是按示范轨迹复刻，在分布发生偏移、任务形式变化或操作时域拉长时，极易出现误差累积并导致任务失败。强化学习（RL）从回报信号出发直接优化任务成功率，按理应当能够缓解这一目标错配问题，但在真实机器人上开展在线 RL 成本高昂，并行执行受限，还伴随大量重置与标注开销；以 π*0.6 为代表的多轮离线 RL 范式在每一轮中仍高度依赖真实系统部署和人工干预，训练成本与迭代效率都存在明显瓶颈（需要一直有人类介入，一旦出现错误轨迹就人类接管操作，记录相应的数据）；另一方面，基于传统物理引擎（MuJoCo、Isaac sim）的强化学习又难以同时兼顾逼真度、场景多样性与工程可用性。

针对上述问题，研究团队提出ProphRL 框架采用大规模预训练的世界模型 Prophet 作为「面向真实环境」的视频级模拟器，并配合专为流式动作头设计的在线 RL 算法 Flow-Action-GRPO 与 FlowScale，在虚拟但物理一致的环境中直接对 VLA 策略进行强化学习优化，再将优化后的策略部署到真实机器人上。如此，策略改进的主要探索过程可以在世界模型中完成，在兼顾物理可信度的同时显著降低真实交互成本，为大模型 VLA 的实际落地提供了更可行的技术路径。如图所示：

实验结果显示，ProphRL在多个公开基准上为各类 VLA 模型（VLA-adapter-0.5B, Pi0.5-3B, OpenVLA-OFT-7B）带来 5–17% 的成功率提升，在真实机器人实验中进一步取得 24–30% 的大幅度成功率提升

• 论文地址：https://arxiv.org/pdf/2511.20633
• 项目主页：https://logosroboticsgroup.github.io/ProphRL

研究背景

模仿学习的长期回报错配

近年的工作表明，VLA 在自然语言指令和视觉观测的驱动下，已经可以完成台面整理、物体抓取、工具操作等多步任务。但绝大多数方法仍依赖行为克隆式监督训练，只关心轨迹像不像示范，并未真正对齐任务最终是否成功。因此，模型在训练分布附近表现良好，一旦场景略有变化或操作链条变长，就容易因误差累积而导致失败。

真实机器人上做在线 RL 很难规模化

从原理上看，为 VLA 叠加一个 RL 模块，让策略通过在线交互从成功或失败中学习，是缓解上述错配的自然途径。但在真实机器人上实践 RL 成本极高：每次试验都消耗时间和硬件寿命，需要严格的安全防护和人工监控，多机器人并行基础设施投入也非常大，许多精细任务还依赖人工重置与干预。综合来看，直接在真机上大规模跑 RL 并不现实。

传统物理仿真器的局限

另一条路线是依托 MuJoCo、Isaac sim 等物理引擎，在仿真环境中完成 RL，再做 sim-to-real 迁移。然而，对以 RGB 图像为输入的 VLA 而言，要搭建一个同时兼顾视觉逼真度、接触动力学精度和物体多样性的仿真场景，工程成本极高，且仍难以准确覆盖如布料折叠、纸巾拉取等复杂任务。这使得基于传统仿真器的大规模 VLA 后训练在实际中难以落地。

数据驱动世界模型的机会与不足

近年来，数据驱动世界模型开始在机器人领域兴起：给定初始图像和底层机械臂动作指令，模型可以预测未来机械臂操作视频，从而在「想象空间」里让策略反复练习。这类方法天然与 VLA 的视觉接口兼容，有望成为连接 RL 与真实世界的新桥梁。但现有世界模型通常局限于单场景或单任务，跨数据集、跨机器人形态的泛化能力有限；与 VLA 结合时，世界模型也多被当作简单的数据增强来支撑 SFT，而尚未形成一个可迁移、可适配、能够真正支撑 RL 的通用模拟器

ProphRL ：基于世界模型的在线强化学习

Prophet：大规模预训练的动作到视频世界模型

研究团队构建的世界模型 Prophet，目标是在统一接口下学习从动作序列到未来操作视频的映射。其核心结构是视频扩散模型，在推理时输入历史帧、当前参考帧，以及未来一段时间的动作序列，输出与真实机器人执行过程对齐的长时操作视频。为更好地对齐动作与几何信息，研究团队采用双重动作条件：一方面将共 7 维的末端执行器位姿增量和夹爪开合编码为全局标量嵌入；另一方面将末端执行器动作投影到相机平面，并渲染为动作帧，为模型提供显式位姿与运动方向线索。此外，研究团队引入 FramePack 式的历史记忆机制，在控制计算成本的同时，持续追踪接触过程中的几何一致性和物体状态演化。

大规模异构数据上的预训练与少样本微调

为了让 Prophet 具备通用机器人直觉，研究团队在 AgiBot、DROID、LIBERO 以及筛选后的 Open-X 等多源数据上进行统一预训练，覆盖多种机械臂、视角、场景和操作风格。训练时，对坐标系、夹爪语义和动作参数化进行统一建模，避免不同数据源之间的结构冲突。在此基础上，面对新场景、新物体或新任务时，只需百级别真实轨迹，通过 快速且轻量的微调，即可让 Prophet 快速适配，同时保持对符合真实世界物理结果生成能力的延续。

以下两个视频为 Prophet 的交互 demo，通过选择具体动作，生成对应动作的视频：

光流引导的控制一致性评估协议

传统视频生成评估指标（PSNR、SSIM 等）主要衡量画面清晰度和逼真度，却难以判断机器人有没有按预期动作。为此，研究团队提出光流引导的评估协议：在真实视频与 Prophet 生成视频之间计算像素级光流，并对比两组光流之间的一致性，以外观无关的方式评估末端轨迹和接触行为是否对齐。该指标与感知质量互为补充，为在世界模型中开展 RL 提供了更贴近控制需求的反馈信号。

FA-GRPO 与 FlowScale：为流式动作头量身打造的 RL 算法

在策略层面，研究团队面向带 flow-based 动作头的 VLA，这类策略通过多步去噪生成连续动作，内部包含大量中间流步。现有 Flow-GRPO 将每个流步都当作独立动作，既放大了梯度方差，也削弱了与环境反馈之间的对应关系，训练容易不稳定。为此，研究团队做了两点改进：

• Flow-action-GRPO（FA-GRPO）：在动作而不是流步层面构造 PPO 比例，将所有内部流步的对数似然先聚合成单一环境动作的概率，再与优势函数结合。这样不改动策略结构，只重新组织梯度信号，使长时序控制下的信用分配更贴近真实环境反馈。
• FlowScale：利用噪声调度，为每个流步乘上与噪声尺度相关的权重系数：适度放大高噪声的早期步骤，抑制低噪声但梯度极大的后期步骤，在不改变目标函数的前提下平衡各流步对整体梯度的贡献，显著提升训练稳定性。

结合 Prophet 提供的长视野视频模拟器，VLA 策略在其中用 FA-GRPO 和 FlowScale 反复训练，再迁移到真实机器人上执行，形成「在想象中学，在现实中用」的完整闭环。

Reward model：基于视频 - 语言的任务成功评估

在 ProphRL 中，奖励不再依赖手工设计的几何距离，而是由 视觉–语言奖励模型（Reward model） 直接根据「整条轨迹是否完成任务」给分。具体来说，reward model 以任务文本和整段执行视频为输入，输出一个标量得分，并在一个 batch 内做归一化后，作为整条轨迹上各步的 advantage，送入 FA-GRPO 和 FlowScale。

• LIBERO 任务：在物理仿真环境中可以直接得到成功 / 失败标签及完成步数。研究团队将每条轨迹渲染成视频，用这些带标签的视频微调 Qwen2.5-VL-7B，得到一个二分类 RM，用于判断任务是否完成，并估计完成时刻，从而做时间掩码。
• BRIDGE 与真实机器人任务：真实和离线数据上手动标注代价很高，因此研究团队采用 Qwen2.5-VL-72B 作为零样本 reward model。给定任务说明和精心设计的提示词，研究团队从每条轨迹中均匀采样若干帧，请模型做逐步推理并给出「成功 / 失败」判断，多次评估后取多数票作为最终标签，用于驱动在世界模型和真机上的强化学习。

最终，世界模型、VLA 基座模型、奖励模型，通过在线强化学习（FA-GRPO & FlowScale）构成数据闭环，为具身场景落地提供切实可行的解决方案。如下图所示：

实验验证：从基准任务到真实机器人

在实验部分，研究团队围绕三个维度系统评估 ProphRL：

世界模型能力：在 AgiBot、DROID、LIBERO 和 BRIDGE 等多数据集上，预训练的 Prophet 就能在视觉效果和动作一致性上同时取得领先表现，其中 BRIDGE 在预训练阶段是完全未参与的数据集。在 BRIDGE 少样本场景中，经过少量示范的微调后，Prophet 依然可以执行视觉上未出现过的新物体、新组合动作，体现出良好的跨场景、跨物体泛化能力。

生成质量超越 Nvidia 的 Cosmos 与上海智元的 Genie-envisioner：

在世界模型中的 RL 效果：研究团队选取多种 VLA 模型（如 VLA-Adapter-0.5B、Pi 0.5-3b、OpenVLA-OFT-7B ），在 Prophet 中对每个任务分别进行强化学习训练。对比仅做监督微调，加入 FA-GRPO + FlowScale 后，在多项 benchmark 与真实任务中成功率都有显著提升。

真实机器人上的验证：基于 UR30e 机械臂，研究团队设计了 GraspBottle、PlaceCube、PulloutTissue、PlaceBowl 四个桌面操作任务，覆盖刚体抓取、容器放置和柔性物体拉取等难以精确仿真的场景。将 Prophet 中训练得到的策略迁移到真机后，ProphRL 相比纯监督微调在所有任务的平均成功率上都带来约 24–30% 的成功率提升。

VLA 或者 VLA + SFT 后训练 在做的其实是 imitate 训练数据集，而 世界模型 + RL 能够学习并加强到训练数据中不存在或者弱存在的成功轨迹，如下视频所示：

总的来看，目前机器人策略仍以基于示范的监督微调（SFT）为主，在分布偏移和长时序任务下往往难以保持稳定表现，而强化学习则是提升鲁棒性和适应能力的关键手段。

不过，以 Pi*0.6 为代表的多轮离线 RL 范式在每一轮中仍高度依赖真实系统部署和人工干预，训练成本与迭代效率都存在明显瓶颈。

ProphRL 以世界模型 Prophet 为核心，先在大规模真实轨迹上学习从动作到未来观测的动力学，再在这一数据驱动的模拟环境中对 VLA 策略执行 RL 优化，最后将策略迁移到真实机器人上进行验证。

这样的设计使得策略改进的主要探索过程可以在世界模型中完成，在兼顾物理一致性的同时减少对真机交互的依赖，并在实验中对多类 VLA 模型中带来了稳定且显著的性能提升，表明「世界模型 + RL」让具身智能在真实场景中落地可期！