机器人在“模型世界”里进化？智元发布世界模型GE-Sim2.0

2025年，智元机器人发布行业首个世界模型开源平台Genie-Envisioner，希望让机器人“理解世界”，即通过视觉、语言与动作的统一建模，让机器感知环境、读懂指令、做出反应。

4月10日，智元进一步推出世界模型的迭代版本Genie Envisioner World Simulator 2.0（GE-Sim 2.0）,首次构建出可交互、可训练、可评估的“物理进化引擎”，让机器人在世界中学习、成长、进化。

双向进化

在智元的技术路径里，世界模型一直沿着两条主线生长：一条是世界动作模型（World Action Model），专注于动作表征的深度建模；另一条是世界模拟器（World Simulator），负责打造一个可交互、可推演、可训练的完整环境。

机器人面对的世界是连续变化的，动作不仅是输出，更是影响环境演化的核心变量。因此，在传统世界模型仅建模“状态”的基础上，智元提出并推进了世界动作模型的方向，关注如何让世界模型理解“动作”这一变量。机器人做了什么动作？动作如何改变世界？世界又如何反馈给策略？将“状态-动作-状态演化”作为统一建模对象，使世界模型能够成为策略学习与动作生成的基础表示层。

智元首先构建了EnerVerse，将具身场景拓展为可计算的4D世界模型；而后推出Genie Envisioner Act（GE-Act），实现从世界的表征能力到动作轨迹的生成；并通过Act2Goal，让机器人实现目标驱动的长程控制。这些探索使世界模型首次具备了承载动作策略的能力。

但在真实应用中，仅仅引入底层的动作建模，依然不足以支撑一个完整的机器人系统。策略训练仍然高度依赖真实环境，评估成本高昂且效率有限，高质量数据的获取与扩展始终是关键瓶颈。

如果由模型构建的世界足够真实、足够稳定、足够高效，能像现实一样响应机器人的每一个动作，机器人就可以在模型世界里完成大规模训练、试错、迭代，大幅降低真实世界的试错成本。

让世界可以被“运行”

智元在强化世界动作模型建模能力的同时，同步推动世界模型走向可交互的模拟器能力。通过EnerVerse-AC，引入动作条件化世界建模，使模型能够基于动作进行未来推演；通过Genie Envisioner Sim（GE-Sim 1.0），构建可用于策略闭环评估的神经模拟器；并从场景一致性、动作正确性与语义对齐等多个维度，对世界模型的模拟能力进行系统评估。

更重要的是，一套全新的数据与训练范式也随之建立。真实数据与生成数据的组合，使策略训练既具备真实性，又拥有更强的泛化能力；而后，智元提出Real2Edit2Real流程，真实数据不再只是被动采集，而是成为可被模型扩展与编辑的基础，从而显著提升数据规模与多样性。

至此，世界模型从表征模型，演进为具备环境级能力的系统基础设施。本次发布的GE-Sim 2.0不再只是一个生成模型，而是一个可以被使用的系统、一个真正意义上的“可操作世界”。

GE Sim 2.0能够严格响应机器人动作信号，生成高保真的环境变化，并严格遵循物理与语义逻辑。世界不再是被想象的、无法被干预的，而是被行动不断推进的过程。

模型支持分钟级长时序稳定推演，从零散视频片段，走向完整任务过程的连续生成。

多视角视觉、跨视角3D一致性与机器人本体状态被统一建模。进一步让机器人面对的不再是“画面”，而是一个完整、可交互的具身世界。

内置激励模型，使模型首次具备自评估能力。它可以基于文本对生成状态自动评估与优化，无需人工激励的训练，可以完成强化学习。这意味着，训练闭环第一次真正被内嵌进模型世界本身。

随着推理效率的提升，GE Sim 2.0已经可以接近实时运行，世界模型不再是一个离线工具，而是一个可以实时交互的系统环境。

当模型成为世界

具身智能迎来了一次真正的范式革新，不再只是“用模型理解世界”，而是真正走进“模型世界”，在其中自主学习、自主决策、自主成长。一方面，世界动作模型与视觉-语言-动作模型深度融合，让机器人从被动响应环境的“反应式控制”，变成能预判未来、规划全局的“生成式决策”；另一方面，世界模拟器搭建起一个无限延伸的虚拟训练场，让机器人可以在这里大规模试错、反复优化，不再被真实数据的稀缺性束缚，其能力上限，从此由模拟的真实度与高效性决定。

具身智能的长远未来，在于拥有自主学习与持续进化的能力，这份进化，既来自对真实世界的观察与沉淀，更来自模型世界里无限的推演、试错与成长可能。当模型成为可交互、可训练、可进化的完整世界，现实就不再是机器人唯一的训练场。

这一技术升级或将推动机器人彻底跳出“复现经验”的局限，真正走向自主探索、持续进化的新阶段。

原标题：《机器人在“模型世界”里进化？智元发布世界模型GE-Sim2.0》

栏目主编：许琦敏

本文作者：文汇报 金奕伶