虛擬練在自本事變量器人讓機世界出真發布

发布时间：2026-08-31 15:05:44 来源：sanguozhaopin電子煙部落 作者：百科

　　2026世界人工智能大會日前在上海落下帷幕，虚拟世界數百家機器人企業和科研機構同台“論劍”，让机集中展示了具身智能前沿技術的器人最新進展。在這場行業盛會中，练出來自廣東的真本自變量機器人科技（深圳）有限公司（以下簡稱“自變量機器人”）憑借家庭服務、物流分揀等多場景落地應用，事自成為現場焦點。变量

　　大會落幕數日，发布8月27日，虚拟世界自變量機器人對外正式發布WALL-SS，让机即下一尺度自回歸世界模型。器人該模型突破傳統擴散模型以單片段生成視頻的练出方式，創新采用“下一尺度自回歸”架構，真本為機器人搭建了一個符合物理規律的事自“虛擬世界”：機器人先在這裏預演動作、驗證策略，变量練出成熟本領後，再走上真實“舞台”執行任務。這一路徑有望大幅降低真實環境中的試錯成本，縮短機器人策略的開發與篩選周期。

　　具體而言，WALL-SS實現了三方麵突破：一是預測錨定動作，生成的未來畫麵嚴格遵循動作指令；二是長時間穩定，長時推演下畫麵與物體狀態始終保持連貫；三是結果可驗證，在虛擬世界中驗證的動作，可作為真實世界中的有效參考。

WALL-SS學習“動作—畫麵變化”的物理規律，並通過下一尺度自回歸，從粗到精生成未來畫麵。

　　預測畫麵不聽動作“指揮”？

　　WALL-SS讓動作真正控製畫麵生成

　　現有世界模型在預測未來狀態時，往往高度依賴對背景和物體的先驗模式，而對動作信號的細微變化不夠敏感。以機械臂抓取杯子為例，手指位置相差1毫米，在物理世界中就可能導致“成功抓起”與“撞翻杯子”兩種截然不同的結果；但由於兩種情況在視覺上高度相似，模型極易忽略這一細微偏差，轉而依據視覺慣性和先驗經驗，生成“穩穩抓住杯子”的虛假結果。

　　對此，WALL-SS提出“尺度對齊的動作條件注入”，將機器人動作指令嚴格對齊到不同生成尺度之中，使動作從生成畫麵的“輔助信號”轉變為必須遵循的核心條件。在畫麵預測的各個尺度上，動作均直接參與決策——粗尺度決定機器人的大致位置，精尺度決定手指是否合攏，動作信號貫穿畫麵生成的全過程。與此同時，WALL-SS統一動作與畫麵的時間軸和坐標係，並通過多攝像頭信息協同，確保動作、視角與畫麵狀態始終一致。　　

　　分別輸入向左、向前、向右三種動作指令，藍色實線為指令軌跡，橙色實線為生成軌跡，兩者高度重合，表明模型生成能夠遵循動作指令。

　　實驗數據顯示，在“動作跟隨”測試中，WALL-SS得分達到0.29，是所有對比模型中唯一得分不為零的模型，而此前模型均難以使預測畫麵中的虛擬機器人遵循給定動作指令；生成視頻與給定動作軌跡指令的重合度亦從0.251提升至0.539，提升幅度達115%。

　　時間一長畫麵就崩壞？

　　WALL-SS讓模型分層處理記憶

　　長時間穩定預測是世界模型麵臨的另一大挑戰。模型需要連續生成未來的多個畫麵，而後續畫麵又建立在此前的預測之上，任何細微誤差都會不斷累積，最終導致預測崩潰——物體突然消失、桌麵扭曲變形、機器人手中的物體瞬間回到原位。

　　對此，WALL-SS提出“尺度壓縮的長時間跨度記憶”：越近的記憶保留得越精細，越久遠的則壓縮為更粗的粒度。例如，模型可以記住機器人幾秒前“用左手抓住了杯子”、幾十秒前“移動到了桌子旁邊”，而對更久遠的信息，隻需保留“場景中有桌子和杯子”這樣的概括。如此一來，無論推演多久，模型的內存占用始終恒定。此外，自變量還提出“尺度級夢境強迫”訓練機製，在訓練時故意給模型“喂錯題”，讓模型學會從錯誤中恢複，在推理過程中及時發現並修正誤差。

WALL-SS推演至60秒，畫麵仍保持清晰，物體位置穩定；通用視頻模型在約30秒後物體消失。

　　在“流式推演”測試中，WALL-SS能穩定推演60秒，畫麵依然清晰，物體位置也保持準確。作為對照，僅保留最近幾幀信息的模型，推演20至30秒後就開始出現明顯的畫麵崩壞。

　　虛擬世界預測“不足信”？

　　WALL-SS讓模型成為可靠“試驗場”

　　在虛擬世界中驗證成功的動作策略，到了真實世界是否依然有效，是世界模型麵臨的第三個關鍵問題。世界模型預測未來的目的，正是為物理世界中的動作提供依據；一旦虛擬世界與真實世界存在明顯偏差，預測結果便難以支撐機器人的實際決策。

　　對此，WALL-SS提出“視覺動力學的在線策略對齊”，讓模型在自己預測的軌跡上通過強化學習反複練習、持續修正，不斷縮小虛擬世界預測與物理現實之間的差距。

　　在“閉環策略一致性”測試中，自變量在6個任務、5個訓練階段分別驗證，同一策略在虛擬世界與真實世界中的任務成功率吻合度達到93%。這表明，虛擬世界中的測試結果已具備較高的現實參考價值，世界模型由此可以成為檢驗機器人動作策略的“試驗場”，大幅提升篩選效率。　　

同一個策略在虛擬世界與真實世界中分別測試，任務成功率高度吻合，相關係數達到0.93。

　　此外，WALL-SS的同一個網絡兼具模擬器與規劃器雙重角色：模擬器依據給定動作預測未來，規劃器依據任務目標自主生成動作路徑，“生成方案—驗證效果—篩選最優”的閉環可在同一模型內完成。模型還內置動作解碼頭，能夠直接從預測的未來畫麵中輸出機器人下一步動作——這使WALL-SS不僅是預測與仿真的“虛擬試驗場”，更能直接驅動機器人執行任務。

　　對具身智能而言，真正走向現實世界、服務於人，最大的挑戰之一在於試錯：真實環境中的試錯成本高、周期長，且存在風險。世界模型的意義，正是讓機器人在動手之前“先想一步”——提前推演不同動作帶來的結果，再擇優執行。而WALL-SS讓這一過程更可信、更穩定、更接近真實，有望大幅縮短機器人策略開發與篩選的周期。

　　從更長遠看，WALL-SS帶來的不隻是一項世界模型技術的突破，更是一條低成本、高效率的機器人能力成長路徑：先在虛擬環境中學習與驗證，再將成熟的操作能力遷移到家庭、工廠和養老院等真實場景，讓機器人擁有服務千家萬戶的能力。

随便看看