李飞飞、吴佳俊再联手，打破世界模型和机器人动作的「巴别塔」

视觉轨迹充当“同声传译”，让世界模型和机器人动作真正“同频对话”。

作者丨幸丽娟

编辑丨岑 峰

日前，一篇叫做《TrAct: Bridging Robot Control and Visual Prediction with Visual Tracks》的论文悄然上线 arXiv。论文署名中出现了两个大家很熟悉的名字——李飞飞、吴佳俊。

论文链接：https://arxiv.org/html/2608.24101v1

熟悉具身智能圈的人都知道，这两个名字放在一起，分量不轻。

李飞飞是世界模型“空间智能”方向的旗帜人物，而刚刚领完 IJCAI 2026 计算机与思想奖的吴佳俊，则是这一领域最核心的研究者之一。

这两位长期合作的学术战友，最近在具身智能领域动作频频。就在一个月前，他们刚与 ControlNet 作者张吕敏等十余位学者共同发表了《Masked Visual Actions for Unified World Modeling》，把机器人动作渲染成像素轨迹，喂给视频世界模型。

但对于他们而言，之前的尝试或许还不够彻底。

世界模型能看懂机器人动作了，但机器人动作那一侧的问题还卡着：动作怎么实时变成轨迹？世界模型预演完，怎么反过来帮机器人挑动作？

这条往返的路，还没有打通。

这一次，他们直指这个问题的核心：机器人的“动作控制”和世界模型的“预测画面”，说的根本不是同一种语言。

TrAct 的解法，就是在中间配一位“同声传译”。

01

世界模型的“巴别塔”：动作和像素，鸡同鸭讲

先解释一下背景。

现在具身智能行业正在形成一种共识：光靠 VLA“条件反射”式地输出动作不够，得让机器人学会“先在脑子里过一遍”——多个候选动作，交给世界模型预演未来，再挑结果最好的执行。

π0.5、GR00T 这些头部 VLA 模型，在标准基准上已经刷到接近满分。但在真实世界的泛化中，它们依然频频翻车。

因此，世界模型的“预演”能力，被普遍认为是具身智能的下一个关键拼图。

但问题是，“预演”这出戏，主演对不上台词。

机器人控制器输出的是一串低维的“动作方言”：可能是末端位姿，可能是关节角，可能是夹爪开合，也可能三者组合——十几或二十个低维数字。

世界模型需要输出的是高维的“像素画面”：夹爪在画面中的像素坐标、轮廓形状、与物体的距离；面条在每一帧中如何弯曲、滑动、与碗壁碰撞。每一帧可能是 224×224×3 ≈ 15 万像素，16 帧就是 240 万像素。

问题来了：20 个数字怎么推导出 240 万个像素？

从“末端位姿变化 0.02 米”到“夹爪在画面中向右移动了 50 个像素”，中间隔着一整条物理因果链——关节转动、末端接触、物体滑动、相机成像。把前者直接喂给后者，等于给导演看剧本大纲里的 20 个关键词，让他脑补出两个小时的电影。

世界模型就是在硬着头皮干这个"脑补"的活儿。 论文将这种方案称为AWM（Action-conditioned World Model，动作条件世界模型） ——给定动作指令，直接预测未来画面。

不意外的是，这套"硬猜硬译"的方案，翻车姿势非常典型：

夹爪姿态预测错了；背景和目标物体在预测画面里凭空消失；两个相机视角对同一物体的位置判断互相打架。

更要命的是，每一种机器人的“动作方言”都不一样。 Franka 说 Franka 语（末端位姿+夹爪开合），UR5 说 UR5 语（另一套关节参数），双臂机器人又说第三套。

同样是“把面条放进碗里”，每台机器人“念出来的台词”完全不同。

也就是说，换一台机器人，之前学的"动作到画面"的映射几乎作废——跨本体泛化，就成了行业公认的死结。

一边是机器人执行不了的像素，一边是世界模型看不懂的动作。

TrAct 的答案：请一位“同声传译”，把两边的话翻译成彼此都懂的语言。

这位“同声传译”，叫做视觉轨迹（visual track）。

02

TrAct ：让视觉轨迹当“同声传译”

视觉轨迹是什么？一句话：具身无关而任务相关的关键点，在图像坐标里随时间移动的路径。

TrAct 会跟踪两类点：

1.夹爪点：机械臂夹爪上的 7 个固定网格顶点，覆盖夹爪的轮廓和运动范围——解决“手怎么动”；

2.场景点：图像平面上 5×5 均匀网格采样的 25 个点，分散在整个画面——解决“环境怎么动”（物体滑动、相机晃动）。

这两类点的分工很明确： 夹爪点是“主动运动”的源头，直接反映机器人的动作意图；网格点是“被动运动”的参照，帮助模型判断画面变化是来自夹爪移动、物体滑动，还是镜头晃动。两者结合，世界模型才能准确理解“哪些像素动、为什么动”。

这套语言妙就妙在“通用”：不管 Franka、UR5 还是人手，把物体放进碗里这个动作，翻译成轨迹都是同一句话——“夹爪关键点沿这条路径移动，物体从当前位置进入碗的区域”。动作带着本体特异性，轨迹却是跨本体的“普通话”。

围绕这个接口，TrAct 搭了一个“剧组”，三个阶段、三个组别分工明确：

VLAT（Vision-Language-Action-and-Track model），出方案的导演组。

在预训练 flow-matching VLA π0.5 的基础上改造动作头，让它同时输出动作块和对应的轨迹块。

• 动作块a是“方言”——末端位姿、关节角、夹爪开合，这些低维的机器人指令；

• 轨迹块τ是“普通话”——任务相关关键点在图像坐标系中的运动路径。

两者必须严格成对： 每一组候选方案里，动作和轨迹来自同一次策略采样，不能拆开自由组合。这是贯穿全文的一条红线——预演条件是轨迹，执行控制是动作，两者必须对应同一套方案。如果轨迹描绘出一个美好的未来，配对的执行动作却实现不了这条轨迹，预演就成了“自我感动”。

训练时，VLAT同时优化两个流匹配损失：动作损失监督“方言怎么说”，保证指令可执行；轨迹损失监督“普通话怎么写”，保证轨迹准确描述了画面里点的运动轨迹。换句话说，导演组既要把戏排出来（动作），又要把分镜画清楚（轨迹），两条线同时推进。

TWM（Track-conditioned World Model），预演的拍摄组。

分镜画好了，谁来把它变成成片画面？拍摄组上场。

TWM以 Stable Video Diffusion（SVD）为视频生成骨干，增加了一个 Temporal ControlNet 分支，专门把轨迹坐标渲染成空间控制图。智能体视角（agent-view）的轨迹走红色通道，腕部视角（wrist-view）走蓝色通道——两个视角共享时间线，各自保留独立的“机位”。

有了轨迹这个普通话版的“分镜脚本”，世界模型的工作方式彻底变了：

之前（AWM）是“给一串方言，硬猜画面”：给定末端位姿变化0.02米，模型得自己脑补“这会导致夹爪在画面中向右移动50个像素、同时把面条推出去、碗的遮挡关系发生变化……”——整条物理因果链全靠硬猜。

现在（TWM）是“给一段普通话，按脚本渲染画面”：已知关键点从A位置移动到B位置、物体从P点滑到Q点，把对应的像素生成出来就行。

从“因果推理”变成了“条件渲染”，难度降了一个维度。 拍摄组不需要理解“关节转了30度会怎样”，只需要按照分镜把画面拍出来。

VLAC（Vision-Language Reward Model），拍板的审片人。

画面拍出来了，谁来定稿？审片人。

VLAC基于 InternVL2 的视觉语言奖励模型，对每条预演视频按任务指令打分。但它评的不是“画质清不清晰”，而是“任务完成了没有”——面条进碗了吗？夹爪够到目标了吗？关柜门关严了吗？

审片人只看剧情对不对得上剧本。哪怕样片画质有点糊，只要动作做对了，VLAC就给高分；反之，画面再逼真、动作跑偏了，照样不及格。

推理时，三个角色是这么协作的：

1.导演组出方案：每个决策点，VLAT用TSR（Temperature-Scaled Resampling，温度缩放重采样） 生成K个候选动作-轨迹对（仿真K=20，真机K=16）。

2.拍摄组拍画面：TWM拿着每个候选方案里的轨迹，逐一生成预演视频。

3.审片人打分：VLAC对每条预演视频按任务指令打分，选出得分最高的那一条。

4.执行：把那条高分样片对应的动作交给机器人执行。

选中的永远是同一对(a,τ)——预演条件与执行控制来自同一次策略采样。“想得到”（轨迹预演）和“做得到”（动作执行）被绑定，减少中间的信息传递失真。

03

数据引擎：没有动作标签的人类视频，也能“重用”

这套接口的另一重红利，来自于数据侧。

机器人数据贵得离谱，而互联网上人类第一视角操作视频近乎无限——但人类视频没有机器人动作标注，传统 VLA 拿它们没什么办法。

轨迹接口绕开了这堵墙：人类视频虽然给不了“机器人这段方言怎么说”，但完全能给得出“这段画面的分镜脚本长什么样”。

于是 TrAct 的预训练配方是：76K 条 DROID 机器人遥操作数据 + 约 150K 条 EgoDex 人类第一视角操作视频（约占完整 EgoDex 的一半），按 1:2 混合。

DROID 的夹爪 7 点、EgoDex 每只手 7 点加 25 个背景网格点，全部统一映射进同一套轨迹槽位布局——缺失的相机、操控器和轨迹槽位全部用掩码处理。

这意味着什么？人类视频终于不用“翻译成动作”，就能直接参与机器人模型的预训练。

背后的逻辑很清楚：视觉运动是可以跨具身共享的监督信号，而且这个信号的供给几乎是无限的。 人类视频的量级，是机器人遥操作数据永远追不上的。这就让 TrAct 在预训练阶段获得了远超纯机器人数据的运动先验。

数据规模和跨具身通用性，两者在这个接口下被同时激活了。

04

更严酷的考场，更硬核的物理测试

▎仿真基准：LIBERO-INTEGRAL 上全面领先

先说基准。标准 LIBERO 上，各家模型的表现已经接近天花板——π0.5 平均 96.8%，TrAct 98.3%，差距不到 2 个点，说明刷榜刷不出区分度。

于是团队自建了一个更严酷的考场——LIBERO-INTEGRAL，共 20 个任务：

• 10 个鲁棒性任务：涵盖物体互换（Swap）、物体变化（Object）、任务变化（Task）、相机视角变化（Camera）、机器人初始位姿变化（RobotInit），各 2 个，全部取 LIBERO-Plus 最难档位；

• 10 个跨具身任务：把场景里的 Franka Panda 直接换成 UR5，任务规范和场景配置保持不变。

“考生”包括四种策略变体：

• π0.5：基线 VLA 策略

• VLAT：联合预测视觉轨迹和可执行动作，无动作选择

• TrAct：完整框架，包含轨迹条件世界模型动作选择

• VLAT+AWM：用动作条件替代轨迹条件

换到 LIBERO-INTEGRAL这个考场，差距瞬间拉开：

• π0.5 平均成功率27%，其中任务变化 15%、跨本体 17%——“换任务”、“换机器人”恰好是其表现最惨的两项，而这正是机器人动作执行的痛点所在；

• VLAT（加轨迹头但不做预演）平均成功率是 44%；

• VLAT+AWM（用动作条件世界模型做预演）平均成功率是 49%；

•TrAct 拿下 55%的成功率，比 π0.5 翻了一倍还多，比同样做预演的动作条件版本再高 6 个点。

逐类别看，TrAct 在 Swap 65%、Object 60%、Task 50%、Camera 60%、RobotInit 65%、跨本体 50%，六项全部领先；20 个任务里 18 个拿到最佳或并列最佳。

跨本体任务的细节更能说明问题：

UR5 版“把橙汁放进篮子”，π0.5 成功率 0.0，TrAct 拉到50%；

“把碗放到盘子上”，π0.5 成功率 40%，TrAct 拉到 80%。

当然也有翻车的——“拿番茄酱进篮子”，π0.5 是 0.0，TrAct 也只有 10%。团队没有回避这一点：难任务依然难。

统计显著性也做了确认：三种随机种子的评估中，TrAct 平均 0.547（95% 置信区间 [0.53, 0.56]），VLAT+AWM 平均 0.490（[0.47, 0.51]），两个置信区间完全不重叠——改进是真实的，不是抽签抽出来的。

▎视频预演质量：有“分镜”的，碾压没“分镜”的

再看世界模型的视频预演质量本身。论文比较了 TWM（轨迹条件，有分镜） 与 AWM（动作条件，没分镜）在仿真和真实两个场景、智能体和腕部两个视角下，在五个标准视频质量指标上的表现：

PSNR：峰值信噪比，越高越好； SSIM：结构相似性指数，越高越好； LPIPS：学习感知图像块相似度，越低越好； FID：弗雷歇起始距离，越低越好； FVD：弗雷歇视频距离，越低越好；

结果，轨迹条件（TWM）对动作条件（AWM）是全指标碾压。

差距最悬殊的是仿真 + 智能体视角这一配置：TWM 比 AWM， PSNR 高出 62%，SSIM 高出 75%，LPIPS 低了 76%， FID 低37%，FVD 低 70%。

真实世界腕部视角同样悬殊：TWM 比 AWM，PSNR高出 22% ；SSIM 高出 19% ；LPIPS 低 40% ；FID 从 176 降至 130，低 26% ；FVD 低 43% 。

两个场景、两个视角、五个指标，TWM 无一例外全部领先。

也就是说，有“分镜”的比没“分镜”的预演画面，质量高出一个维度。把“动作方言”翻译成“轨迹普通话”再预演，比从动作指令硬猜画面，准得多。

▎更硬核的物理机器人实验：继续遥遥领先

仿真里的成功还不够。团队把 TrAct 搬到了真实的 Franka Panda 机器人上，看看它在物理世界里到底扛不扛得住。

机器人配备了两个 RGB 相机——一个从第三方视角看着整个桌面，一个装在夹爪上近距离盯着操作区域。训练数据只有 400 条 15Hz 的演示，覆盖了 4 个基础任务；测试则是 5 个训练时从没见过的任务:

1.将半长粉色面条放入碗中；

2.将热狗面包放入碗中；

3.将绿色砖块放入碗中；

4.关闭部分打开的右柜门；

5.将倾斜勺中的意大利面倒入锅中。

每个任务 10 个 episode，而且不仅要过常规背景这一关，还要在换了桌面背景的陌生环境下再跑一遍——看看它会不会被“换了个桌布”就搞懵。

最终平均成功率：π0.5 是 49%，加上 VLAC 评委直接打分是 65%，VLAT+AWM 是 66%，TrAct 是 76%。

两个任务的细节值得单独拎出来说。

一个是“关右边的柜门”——五个任务里唯一接触密集型的，最能拷打预演精度。

常规背景下，π0.5 只有 50%，VLAT+AWM 也才 60%，TrAct 做到 80%；

换到陌生背景下，动作条件版本直接掉到40%，TrAct 反而稳在 70%。

这就说明，域偏移越大，轨迹接口的优势越明显。因为轨迹描述的是"画面里该怎么动"，天然不依赖具体背景长什么样。

另一个是“半根粉色面条放进碗里”，TrAct 在常规背景下拿到了满分。机器臂夹着一段训练时没见过的、更短的面条，稳稳放进碗里。泛化能力，同样肉眼可见。

更大规模的预训练变体TrAct+（76K DROID + 60K BridgeData V2 + 完整 30 万级 EgoDex，8 块 H100 跑 60K 步），也把五个最难的 UR5 任务从 π0.5 的 6%、TrAct 的 32% 进一步拉升到 38%。

这也进一步论证了，接口红利之外，数据规模红利依然在兑现。

05

TrAct 对具身智能行业的意义

回过头来看，TrAct 真正的贡献，并不在于它刷新了 SOTA，而是“接口层”的统一：

以前，动作是世界模型的输入。你给 Franka 语它就学 Franka，给 UR5 语它就学 UR5——换台机器人，推倒重来。

现在，机器人动作和世界模型预测之间有了统一的翻译层。机器人输出动作（方言），轨迹把它翻译成“画面里的点怎么动”（普通话），世界模型拿着翻译结果做预测。

机器人动作和世界模型“鸡同鸭讲”的行业困局，第一次得到系统性的破局。

但硬币的另一面同样清晰，论文自己也交代得明白：

第一，TrAct 不是物理模拟器。轨迹是二维图像空间的点运动，不显式建模力、碰撞和接触状态；它预测的是"看起来会发生什么"，不保证“物理上一定发生什么”。

第二，预演的可靠性最终依赖 VLAT 的轨迹预测质量。如果动作本身不可靠，轨迹和动作可能一起错，高分预演不等于安全执行。

第三，它不便宜，每个决策点要跑十几次视频生成和打分，推理成本是真金白银。雷峰网雷峰网雷峰网

第四，真机数据也还是少了点：400 条演示，5 个评测任务，离工业级场景的验证还有距离。

在整个行业都在苦寻大模型如何驱动机器人的当下，大家都在问同一个根本问题：世界模型和机器人之间，到底该用什么语言对话。

TrAct 交出了一份极具启发性的答卷。它证明了，肉眼可见的视觉轨迹，可以成为这一通用的语言。

IJCAI 2026 要来了，你还在单打独斗？

为了方便大家抱团交流、互通会议消息，我们专门建了IJCAI 2026 参会群！进群你会解锁这些「福利」?

• 会议情报站：投稿 DDL、格式规范、评审进度……关键节点第一时间送达，再也不怕错过 deadline，投稿准备稳稳的。

• 同行茶话会：天南海北的同行都在群里，聊心得、碰思路、攒人脉，科研路上我们同行。

• 前沿补给站：最新研究成果、热点方向实时同步，结合会议主题帮你捋清投稿脉络，给论文灵感加满油。

• 现场后援团：（会议期间专属开启）：到了会场也不用慌——

  路线导航：场馆分布、报告厅怎么走，群里随时问；

  议题共读：热门 session、Keynote 现场探讨，错过也能追；

  Poster 汇编：现场海报精华整理，一键收藏不遗漏；

  约局广场：约饭局、采访局、交流局……想唠嗑、想合作、想面基，群里发起就成。

? 进群传送门：扫码进群或添加微信Qvv0909777，备注：IJCAI+ 单位/学校+姓名+方向。

搞科研/搞技术，信息差很重要。

来，一起快人一步！

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈