全球首个跨本体、跨视角、多模态物理世界模型，CurrentWorld-0 来了！

机器之心发布

视频链接：https://mp.weixin.qq.com/s/XyfeX4BABDtbC6u8tF5g0A

机器人撬开啤酒瓶盖，啤酒泡沫涌起，酒液从画面右下角流入杯中。

看起来就像一段普通实拍视频。但你很难想到，但实际上画面中的机器人、物体乃至啤酒流动的未来状态，都来自模型读取机器人动作后生成出的视频。

这些画面来自Current Robotics最新发布的CurrentWorld-0，在他们发布人形全身精细操作 Curr-0 后交出的第二份工作。

团队将其描述为一种交互式世界仿真器（Interactive World Simulator）。它和传统物理引擎不同：不靠人工编写物理公式，而是从真实世界数据中学习规律，形成一种数据驱动的仿真方式。

类似方向此前已经出现过，例如 1X 的 1X World Model、Physical Intelligence 的 Ctrl-World 和 SC3-Eval、DeepMind 的 WorldGym，以及英伟达的 Cosmos Predict。

但这是首次将跨本体、多视角和力触预测整合进同一个世界仿真器中，同时用于模拟、学习，以及与人类和机器人模型交互。

在这个世界里，你看到的不仅是简单的双臂夹爪。移动机器人、配备灵巧手的双足人形机器人，也能被建模和控制。

它们处理的对象也不只是刚体。机器人可以叠袜子、收拾枕头、抹面包，也可以削黄瓜。无论是柔性物体还是流体，都能保持合理状态。真正值得关注的并不是画面有多像真实视频，而是当机器人的动作发生变化后，模型仍然需要让不同视角、不同物体以及接触过程沿着同一个物理事件继续演化。

Scaling Evaluation：

机器人也需要一个可以无限扩张的考场

那这样的世界仿真器可以用来做什么？一个很直接的答案，是评测机器人。

今天训练一个大模型，我们可以同时跑成千上万个 benchmark case，快速知道模型哪里变好了、哪里退步了。

但到了机器人这里，事情突然重新变得 “物理”。机器人数量、场地、人工看护和任务复位，都限制着测试规模。真实世界不可替代，却很难成为一个可以无限复制的考场。

传统物理仿真解决了一部分问题。Isaac Sim 等仿真器可以并行运行大量实验，但前提是：你得先知道这个世界该怎么被建模。刚体、摩擦和关节可以人工定义，但折袜子、抹面包、倒啤酒背后的柔性物体、流体和复杂接触，很难被一条条写进物理引擎。

有没有可能把真实世界本身 “学” 进一个可以无限运行的环境里？

这正是 CurrentWorld-0 想做的事情：直接从真实交互中学习，当机器人做出一个动作后，世界接下来会发生什么。

如果预测足够可靠，大量策略就可以先在模型生成的世界中运行、失败和比较，再把最关键的问题带回真机。

但用于机器人评测的世界模型，不能只是生成一段逼真的视频。换一台机器人，世界规律不能改变；换一个视角，改变的只能是观察；发生接触时，视觉、力觉和触觉也必须描述同一个物理过程。

因此，CurrentWorld 将能力集中在三个方向：跨本体（Cross-Embodiment）、多视角（Multi-View）和力 - 触觉（Force-Tactile）。

它们最终解决的是同一个问题：

无论谁在观察、谁在行动，世界都应该是同一个世界。

CurrentWorld-0 的解法：

什么样的世界仿真器，才能真正用来验证机器人？

首先有一个最基本的前提：机器人的动作必须真正算数。

视频模型拥有很强的视觉与运动先验，但这对机器人评测未必总是好事。机械臂已经抓偏，模型却可能沿着更熟悉的轨迹继续生成，让物体 “自动” 跟着夹爪移动；任务实际失败，画面却补出了一个成功结局。

一旦世界模型开始替机器人纠错，评测也就失去了意义。

Current Robotics 此前发布的dWorldEval（发表于 ICML 2026 Spotlight），研究的正是这种动作可控性：机器人执行了什么动作，环境就必须给出与之对应的结果。动作没有做对，世界也必须允许失败真实发生。

在此基础上，CurrentWorld 进一步解决三个问题。

第一，让不同身体进入同一个世界。

固定双臂、移动双臂和人形机器人的自由度、运动学结构和控制方式都不相同，因此 CurrentWorld 并不强行让它们共享一套动作空间，而是为不同机器人保留各自的Action Subspace。

不同的是身体，相同的是它们作用于世界时遵循的物理规律。

Cross-Embodiment 的目标，就是让不同机器人用自己的方式行动，却共享对同一个世界的理解。

第二，让不同视角看到同一个世界。

头部、腕部和第三视角相机看到的是同一场交互的不同切面。一个视角中的物体发生移动，其他视角里的状态也必须同步变化；即使短暂被遮挡，再次出现时也不能 “换了一个世界”。

CurrentWorld 对多个同步视角联合建模，让它们共同锚定同一套物理状态。

视角可以变化，但世界状态不能随视角改变。

第三，让世界不再只有 RGB。

很多机器人任务，仅靠视觉无法判断交互是否真正成功。同样是夹住一个物体，画面可能几乎一样，但一次已经稳定夹持，另一次却正在滑落；削皮、开瓶、插拔等任务中，真正决定结果的往往也是接触和受力。

因此，CurrentWorld 不只预测未来画面，还同时预测力觉与触觉。

视觉告诉机器人 “发生了什么”，力和触觉则进一步告诉它：接触是否真的发生，以及这个接触正在如何变化。

这让 CurrentWorld 要建模的不再只是一段视觉上合理的视频，而是机器人动作之后，整个物理交互如何继续演化。

失败不是终点，

而是下一轮训练的起点

但评测如果只是告诉你 “机器人失败了”，还不够。

更重要的问题是：能不能从失败的位置继续出发，产生新的训练数据？

在 CurrentWorld 中，策略可以先自主执行。当机器人进入潜在失败状态，人类可以直接接管，通过遥操作完成纠正；同一个中间状态还可以被保存、回滚，再尝试不同的恢复方式。

这延续了 Current Robotics 此前Hi-WM（Human-in-the-World-Model，发表于 RSS 2026 Robot World Models Workshop）的思路：把原本一次性的失败，变成可以反复探索的数据节点。

而在 CurrentWorld 中，人类介入后产生的不只是动作轨迹，还包括同步的视觉、力觉和触觉反馈。

于是，评测不再只是训练的终点，而开始成为下一轮训练数据的入口。

机器人在哪里失败，就从哪里产生新的经验。

世界模型，

最终要回到机器人学习的全链路

把 CurrentWorld 放回 Current Robotics 的技术路线，它的位置会更清楚。

HumanEx提供真实人类行为数据，Curr-0从中学习全身移动与灵巧操作能力；策略进入CurrentWorld接受评测、暴露失败，再通过Hi-WM在失败附近引入人类接管，产生新的纠错数据。

这形成了一条完整的循环：

真实经验 → 模型学习 → 世界模型评测 → 暴露失败 → 人类纠正 → 新数据 → 再训练。

真实世界始终是经验的来源，也是机器人最终接受检验的地方。CurrentWorld 所做的，是把两次真实执行之间的空间拉长 —— 让策略可以更快地被验证，让失败可以被重新访问，也让新的经验从失败中继续生长。

机器人不会因为生成更多 “正确” 的画面而变得更聪明。

真正推动能力向前的，是每一个动作都有后果，每一次失败都能变成新的经验，并最终重新回到现实世界接受检验。