北京
磁铁式抓取，正在暴露世界模型的软肋
一只机械臂的夹爪明明没有夹住杯子，杯子却像被磁铁吸住一样，跟着夹爪升了起来。这个看似荒诞的问题，正在困扰机器人世界模型，业内甚至将其称为「磁铁式抓取」。
视频生成模型只要让画面看起来合理，就算完成任务；但世界模型不能只追求「像真的」。机器人训练数据大多来自成功演示，模型容易形成捷径：与其理解动作的细微差别，不如按照画面，直接生成最可能的结果。
可在真实世界里，夹爪位置偏移几毫米，就可能让结果从抓起变成碰倒杯子甚至抓空。世界模型真正需要理解的，是动作与结果之间的因果关系。
从架构底层改写生成逻辑
8月27日，自变量机器人发布下一尺度自回归世界模型WALL-SS，试图让世界模型从「能用」走向「好用」。该模型不是一次性生成整个画面，而是通过由粗到细的方式描绘未来，让不同动作真正对应不同结果；同时结合长时记忆机制，实现最长60秒连续推演。
此前，不少世界模型沿用视频Diffusion的思路：输入历史画面和动作，通过多轮去噪生成未来视频。动作虽然是生成条件，但没有被明确写进「动作→结果」的生成链条里，因此模型很容易依赖视觉先验，直接预测一个「大概率成功」的未来——即使夹爪实际上没有夹住杯子，也可能生成杯子被成功拿起的画面。
WALL-SS则把观察和动作组织成「观察—动作—新观察」的因果序列，让动作真正参与未来状态的生成。简单来说，就是先确定世界怎么变化，再逐层补足细节：粗尺度确定机械臂和物体的大致状态，细尺度进一步还原运动和接触。再配合失败、接管和纠偏数据，让模型学会「动作不同，结果也不同」。
60秒推演后，画面和轨迹仍接近真实
这一能力在指标上得到验证。测试显示，WALL-SS连续推演60秒后，画面和运动轨迹仍更接近真实视频，动作跟随得分达到0.29，而Cosmos3-Nano为0.044，其他测试模型干脆为0。轨迹准确率方面，WALL-SS达到0.539。可以说，WALL-SS是少数画面预测会跟随动作指令的模型。
另一个关键问题，是世界模型能不能「记得足够久」。WALL-SS通过多尺度长时记忆保留近期细节、压缩远期历史，并让模型在训练时接着自己的预测继续推演，减少误差不断累积的问题。这让模型能够连续推演60秒，而其他模型持续20-30秒已经是极限。
WALL-SS推演至60秒，画面仍保持清晰，物体位置稳定；通用视频模型在约30秒后物体消失。
虚实配对实验：成功率相关系数0.926
更重要的是，这些能力最终接受了真机检验。自变量让同一套策略分别在WALL-SS和真实机器人上执行，完成600组虚实配对实验。结果显示，两者任务成功率相关系数达到0.926，对不同策略强弱的排序准确率达到89%。
这意味着世界模型开始具备一个更重要的价值：不只是生成「看起来真实」的未来，而是能够帮助机器人判断不同动作会带来什么结果，并在虚拟世界中提前验证策略。
当然，WALL-SS目前仍有边界。其动作输入主要包括机械臂末端位置、朝向和夹爪开合，不包含完整关节状态、力和力矩，因此对精细接触和多指灵巧手的支持仍有待进一步验证。
世界模型的三道门槛
2026年，世界模型正在成为机器人领域最受关注的技术方向之一。英伟达持续迭代Cosmos，并开始将视频世界模型用于机器人控制和规划；Meta的V-JEPA 2尝试让机器人通过预测物理世界的变化，在陌生环境中完成抓取。越来越多研究也开始探索用世界模型替代部分真机测试，让机器人在「动手」之前，先在虚拟世界中预测不同策略的结果。
但要真正成为具身智能的基础设施，今天的世界模型仍面临三个关键门槛。第一是动作与结果的因果一致性。模型不能只生成符合预期的画面，而必须准确反映动作带来的结果，否则一个实际上抓不住杯子的策略，也可能在虚拟世界里被判定为成功。
第二是长时推演能力。机器人任务往往持续数十秒甚至更久，模型需要不断把自己的预测作为下一刻的输入，任何微小误差都可能在持续推演中累积。
第三是虚拟预测与真机实操的一致性。生成得再逼真、推演得再长，也不意味着模型真的能够评估机器人策略。只有虚拟世界中的表现能够与真机结果建立稳定对应，世界模型才真正具备替代部分真实试错的价值。
路线尚未收敛，持续探索本身就是竞争力
WALL-SS不是终点。自变量同时宣布发布该模型。对于尚未形成统一技术路线的机器人世界模型而言，发布的意义不仅是开放一个模型，更是让行业共同验证：世界模型是否在按照动作做预测，虚拟推演能否真正服务于真实机器人。
「技术范式尚未收敛时，持续探索本身就是竞争力。」具身智能需要的不只是快速落地的硬件，也需要持续挑战既有路线、开拓核心技术边界的公司。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
