给机器人一个会预测未来的Critic，VLA强化学习直接起飞

一台机械臂正伸向转盘上的寿司。此刻，它是在稳定接近目标，还是已经错过最佳抓取时机？夹爪与物体接触得恰到好处，还是下一秒就会把寿司撞飞？只看一张静态图片，这些状态几乎一模一样。

但在不少视觉-语言-动作模型强化学习（VLA-RL）方法中，负责评价当前状态好坏的批评家模型（Critic Model），恰恰主要依赖单帧观测或单帧 VLM 特征来打分。这就像让一名只看比赛截图、没有回放的裁判，判断运动员究竟是在完成关键动作，还是已经失去平衡。

近期，OpenMOSS 团队开源了World Critic Model（WCM）。它提出了一个直接却常被忽略的问题：机器人控制天然是一个部分可观测问题。既然一帧画面看不清动态，为什么 Critic 还要“凭一帧图打分”？

图 1｜WCM 从单帧 Critic 的局限出发，将世界预测与价值学习统一起来。

WCM 的答案不是简单堆叠更多图像，而是让 Critic 在估计价值的同时，学习预测执行动作后的下一时刻潜在状态。换句话说，它不仅要回答“现在有多好”，还要回答：“照这样做下去，接下来会发生什么？”

WCM 的代码、数据、权重全开源，仅 15 分钟训练即可得到真机价值曲线！

• 论文标题：WCM: A World Critic Model for Vision-Language-Action Reinforcement Learning
• 论文：https://arxiv.org/pdf/2607.29613
• 代码：https://github.com/sylvestf/WCM
• 数据：https://huggingface.co/collections/Sylvest/wcm

WCM 在 4 个仿真基准、149 项任务，以及 7 项真实机器人任务上进行了系统验证，覆盖抓取、柔性物体、长程和动态目标操作任务。同时，WCM 可搭配三种主流 VLA 模型：π₀、π₀.₅、OpenVLA-OFT。

其中最醒目的结果之一来自 ManiSkill：一个此前没有接触过 ManiSkill 数据、初始成功率仅 0.78% 的 VLA 模型，在 WCM 引导的强化学习后达到 98.7%，提升了 97.9 个百分点。更重要的是，提升并没有只发生在训练分布内，在 OOD 平均成功率上也取得了 72.7% 的提升。

这组结果指向了 WCM 最核心的价值：它不只是把训练任务做得更熟，还让 Critic 在环境变化后更不容易看走眼。

01｜VLA-RL 的 Critic

可能一直少看了最关键的信息

在 Actor-Critic 类强化学习中，策略（Policy）决定做什么，Critic 则负责判断这个状态有多好，并据此计算优势、指导 Policy 更新。因此，Critic 并不是一个可有可无的配角。Critic 的判断一旦失真，Policy 就可能被非常自信地带向错误方向。

图 2｜Critic 负责判断当前状态有多好。图为 WCM 的价值估计曲线，当发生碰撞导致物体掉落时曲线开始下降。

问题在于，机器人操作通常可以建模为部分可观测马尔可夫决策过程（POMDP）。单帧画面可以告诉模型物体在哪里、机械臂大致处于什么姿态、当前场景包含哪些视觉元素。但它往往无法可靠告诉模型：机械臂正在靠近还是远离目标；夹爪是否刚刚发生滑移；当前接触是稳定支撑还是即将碰撞；目标物体是否仍在运动；动作序列是在向成功推进，还是已经进入不可恢复的失败……

图 3｜机器人操作任务具有部分可观测性质，智能体只能通过观测重建系统状态。

以擦拭灶台为例，同样是末端执行器接近桌面，可能代表“正在施力清洁”，也可能代表“机械臂被桌面卡住”。像素很像，价值却完全不同。这也是为什么在真实机器人实验中，单帧 Critic 容易学到一些危险的伪相关：例如把“末端靠近桌面”一概视为高价值，最终导致机械臂反复顶住台面。

02｜反直觉的是

给 Critic 多看几帧，也未必有用

既然单帧不够，最自然的方案似乎是把多帧图像直接堆起来，或者加一个时序 Transformer。但论文发现，事情并没有这么简单。

真正缺少的不是“历史输入”本身，而是迫使模型理解历史变化的监督信号。

传统 Critic 的核心目标通常只是回归一个标量回报。面对高维图像序列，这个监督过于稀疏。即使输入中包含过去几帧，模型也可能把它们当成一块更大的静态特征，而不是去学习物体如何运动、接触如何变化、动作将把环境带向哪里。

实验中出现了三个值得注意的现象：（1）直接给原始 Critic 增加历史观测，性能可能反而下降；（2）换成具备时序建模能力的 Transformer，但不加入世界预测目标，仍然难以利用历史；（3）只有在加入未来状态预测后，多帧历史才稳定转化为更好的价值估计。

图 4｜MLP、仅时序 ViT 与完整 WCM 的对比。完整 WCM 在不同骨干和任务上取得最高整体表现。

这个结论也解释了一个常见误区：“有记忆”不等于“理解动态”；只有可预测的历史表征，才更接近机器人真正需要的状态。

03｜WCM 怎么做

让 Critic 一边打分，一边做未来推演

WCM 基于轻量级 LeJEPA 风格架构，由四个关键部分组成：观测编码器、世界预测器、价值头、动态预测头。整个过程可以拆成四步：

图 5｜WCM 核心架构：共享的历史表征同时服务于价值估计与下一潜在状态预测。

第一步：编码连续历史。WCM 接收最近 K 帧观测。每一帧先被独立编码为潜在表示。在不同实现中，编码器既可以是 ViT，也可以直接复用 VLA 的 VLM Backbone。

第二步：加入语言条件。机器人执行的不是无条件动作。“把胡萝卜放到盘子里”和“折叠毛巾”，即使视觉画面相似，对状态价值的定义也完全不同。因此，WCM 通过语言编码与适配模块，把任务指令注入历史表征。

第三步：用因果时序模型聚合历史。经过语言条件化的多帧特征，被送入因果 Transformer World Predictor，形成当前的历史状态表示。这个表示不是简单的多帧拼接，而是要同时支持两件事：判断当前状态的预期回报；结合当前动作，预测下一时刻的潜在状态。

第四步：双头联合学习。WCM 设置两个轻量预测头：Value Head 输出当前状态价值；World Head 接收动作条件，预测下一潜在状态。

其总体目标可以概括为：总损失 = 价值回归损失 + 世界预测损失 + 特征空间正则损失。其中，特征空间使用 SIGReg 抑制潜在表示发生维度坍缩。这里有一个设计细节非常关键：价值估计保持 action-free，而状态转移预测是 action-conditioned。也就是说，WCM 不会把状态有多好和执行某个动作后会怎样混为一谈，却又允许两类目标共同改善共享表征。

WCM 也不是一个额外生成像素、规模庞大的视频世界模型。它预测的是任务相关的下一潜在状态，目标非常明确：让 Critic 学会捕捉对价值判断真正有用的动态。

04｜它不绑定某一种 RL

On-policy 与 Off-policy 都能接

WCM 的另一个特点，是没有重新发明一整套强化学习算法，而是作为 Critic 接入现有训练流程。在同策略（On-policy）学习场景中：自回归 VLA 可接入 PPO，Flow Matching VLA 可接入 Flow-SDE，WCM 提供价值估计，用于计算 Return 与 GAE Advantage；在异策略（Off-policy）学习场景中：OpenVLA-OFT 可结合 AWR，π₀.₅ 可结合 RECAP，SFT 数据、成功 Rollout 和失败 Rollout 被放入统一数据缓冲区，用于持续更新 Critic 与 Policy。

图 6｜WCM 可直接嵌入 On-policy 与 Off-policy 两类 VLA-RL 管线。

这种模块化设计意味着，WCM 更像一次对Critic 表征学习方式的升级，而不是只能在特定 Policy 或特定算法上生效的技巧。

05｜实验结果：IND 和 OOD 的双重 SOTA

在 RL4VLA 设置的 Maniskill 任务上，加了 WCM 的强化学习取得了分布内（IND）和分布外（OOD）的双重 SOTA 性能。更令人瞩目的是，在零样本（Zero-Shot）设定下，WCM 直接将近乎无效的 0.8 分拉升至 98.7 分，提升高达 97.9 分，充分验证了其卓越的泛化能力与强化学习适配效果。

表 1｜WCM 在 Maniskill 分布内和分布外测试集上取得 SOTA 结果。

团队在 LIBERO-Plus 基准上设计了一组极具说服力的对比实验。其中，One-SFT 表示每项任务仅提供 1 条示范数据，而 Full-SFT 则提供多达 50 条。实验结果显示，基于 One-SFT 的 WCM 方法，仅需约 250 步的强化学习微调，便能从极简的初始策略出发，在总体性能上成功反超依赖大量示范的 Full-SFT 基线。

表 2｜WCM 在 LIBERO-Plus 泛化测试基准上通过 250 步 RL 训练即可超越 Full-SFT。

这并不意味着示范数据不重要，而是说明：当 Critic 能更准确地理解动态与结果，环境交互产生的失败数据也可以变成非常有价值的学习信号。

在 MetaWorld 与 CALVIN 上，WCM 同样使得持续接触和长程操作的表现稳定提升。

图 7｜WCM 在 MetaWorld 成功率与 CALVIN 平均任务完成均取得亮眼表现。

真机方面，团队在 WidowX-250S 上测试了 7 个任务：胡萝卜、香蕉、甜椒抓取放置；叠衣服、叠毛巾；灶台整理；转盘寿司动态抓取。每项任务首先采集 100 条遥操作轨迹，随后进行 8 轮 RL 更新；每轮、每项任务收集 50 条 Rollout。相较于使用 VLM Critic Model 进行 RL 训练，使用 WCM 的方法可以取得更好的性能。

表 3｜使用 WCM 进行真机强化学习，可以获得比 VLM Critic 更好的效果。

真实机器人设置中的 WCM 约有 107.2M 可训练参数。数百到数千条轨迹的数据规模下，WCM 可在不到半小时内完成快速迭代。而且，这种提升不只体现在最后有没有成功，WCM 训练出的 Policy 动作更连贯，停顿和无效小动作更少，因此单位时间内的吞吐量也更多。

图 8｜在叠毛巾、灶台整理和抓取旋转寿司任务上，RECAP + WCM 的吞吐量均高于 Gemma Critic。

06｜价值曲线可视化

WCM 仓库提供了价值曲线视频生成工具。把模型预测的价值叠加到真实轨迹后，可以直观看到它如何评价动作进展。

图 9｜对于成功轨迹：价值随任务推进整体上升。

图 10｜对于失败轨迹：从开始失败的时刻起，价值快速下降。

图 11｜对于无效轨迹：随机运动没有形成稳定的成功趋势。

可视化说明 WCM 学到的并非简单的终点分类器，而是一个能够反映过程变化的连续评价信号。在真实数据中，暂停、滑移、碰撞、抓姿不佳或折叠不整齐，都会让价值曲线停滞或下降。

07｜结语

如果你正在研究 VLA、机器人强化学习、Critic Model 或真机后训练，WCM 提供了代码、数据处理脚本、训练配置、模型权重以及价值曲线可视化工具，适合作为一个新的可复现基线。

当机器人不再只看“这一帧”，它才更有可能理解自己正在走向哪里。