最近我们发现，世界模型开始有了更务实的场景应用...
最近几个月，世界模型很热。
热到什么程度？从 DreamZero 开启行业热浪，Jim Fan 宣传「VLA 已死，WAM 万岁」。再到最近一个月，智元罗剑岚、英伟达和PI、字节、极佳，很多头部公司都在推出新进展。
世界模型好像已经成为了具身终局的代名词。不止一个技术同学找我们交流， 说现在世界模型太火了，变化实在是太快了。
热闹是热闹。但我们心里一直有个疑问：
所有人都在证明「我的世界模型多强」，却很少有人正面回答另一个问题：世界模型到底怎么让一个具身模型变强？
这个问题困扰我们有一段时间了，让我找到灵感的是原力灵机联合创始人汪天才的一句话，他说：世界模型驱动低成本、规模化的后训练，是具身智能进入真实场景的现实路径。
他没有说终局、唯一、原生这些大词，只说了「现实」，并把一些使用心得和经验告诉了大家。他们用世界模型做了哪些事情，背后的思考以及判断。
以及原力灵机对应发布了DM0.5和DW0.5，DM0.5我们之前聊过了，所以今天想借着这个机会和讨论上面的问题。
表面看，DW0.5也是一个刷了 SOTA 的世界模型：EWMBench 4.66、WorldArena 73.54、RoboTwin2.0 93.3，三个榜第一（均截至 2026-07-09）。
但真正促使我们想写这篇文章的，不是这几个数字。我隐隐有一种感觉：我们不应该把技术本身定义成为目标，这样有些本末倒置，而应该从目标出发，充分挖掘技术可能的能力。
现在行业有一股风气，把技术路线等同于具身智能，我们认为并不是这样的。
这就是我从DW0.5上看到的东西，下面一步步来。
GitHub：https://github.com/dexmal/opendw
Hugging Face：https://huggingface.co/Dexmal/DW05-Base
01 世界模型确实很热
先把这波热潮盘一下。
这一个月密集出现的世界模型工作，方向确实各异：有的做开放世界的未来预测，有的做双臂操作的仿真评测，有的做大规模视频生成。
但如果从这些工作的用途来看，都落在一件事上 —— 评测。用世界模型生成未来场景，然后看生成质量、评得准不准、在榜单上排第几。
这当然有价值。一个能准确预测未来的世界模型，本身的确有技术含量。
但问题来了：VLA 现在真正卡在哪？
不在于"有没有一个更强的世界模型可以推演未来"。做过具身后训练的同学感受会更深，**真机 rollout 的成本是根本性障碍，人工反馈效率极低。**因此，VLA的瓶颈之一在于训练效率，它没法像人一样反复试错、从失败里学。
这里可以借助另一个参照物。过去三年，语言模型里进步最快的是 code agent，快得离谱。很多人把功劳归给更大的模型、更多的数据。但如果只是规模问题，为什么 code 的进步比别的任务快那么多？
原力灵机在 DW0.5 里给了一个解释：**代码是可以自我验证的。**写完一段代码，测试一跑，对错立刻知道；失败的结果直接沉淀成下一次的训练信号。反馈高频、判定明确、数据可以回流。这套自己给自己判分的机制，才是 code agent 快速变强的真正原因。
具身没有这套东西。
一个 VLA 想变强，它需要动作尝试之后再看结果，判断是成功亦或失败，进一步再将反馈转换为学习信号。可在真机rollout上，没有捷径。另一方面，传统仿真的 sim-real gap，在日常操作任务上格外难弥合。
所以VLA 真正需要的，是一种新的闭环方式：比真机便宜，比人工反馈高频，比传统仿真更贴近真实物理。围绕这个目标出发，任何可以解决这个问题的技术都可以进行尝试。
原力灵机在当前阶段给出的答案，就是DW0.5。他们给世界模型的定位是后训练中的 learned environment。
02 DW0.5 的核心，从目标本身出发
DW0.5 的核心，都是围绕「为 VLA 构建一个可闭环迭代的世界模型」这个目标设计的。而这个闭环迭代可以概括为：
-
VLA 根据语言指令、当前观察和机器人状态采样候选动作；
-
DW0.5 在动作条件下生成对应的未来视觉 rollout；
-
Value Expert 对当前状态、候选未来或整段 rollout 给出成功概率或任务价值评分；
-
系统根据这些反馈选择动作、构造偏好数据，或对 VLA 做 RL 后训练；
-
少量真机 rollout 持续校准世界模型，让闭环不断贴近真实部署分布。
真机不会消失，它是飞轮的起点，却不是唯一的训练场所。真实 rollout 校准世界模型，世界模型支持低成本大规模探索，新的策略再回到真实环境验证和收集数据。
具体落实为三种能力：Action作为强先验、如何模拟成功与失败、如何把未来变成可训练的反馈。
生成只是世界模型最基础的能力
一个世界模型能不能参与到训练过程，有一个最基本的测试：给定同样的起点，输入一个向左推、一个向右推，它生成的未来场景是否不一样？
如果两段生成视频看着差不多，那它就只是个带成功偏置的视频生成器。
不管你给什么动作，它都倾向于生成一段「顺利完成」的画面。这种东西对训练毫无用处，因为它压根没在响应你的动作。
难点在于怎么让动作「说话算数」。一种常见做法是把动作离散成 token、纳入到语言模型的词表，当成生成视频的一个条件。
实现简单，但这仅是软约束。动作 token 进了语言空间后，模型可以参考它，也可以在追求画面顺滑时偷偷把它弱化掉。
你给一个明明会把物体推歪的失败动作，它照样可能生成一段成功的过程。而且动作和视频帧之间没有时间对齐，模型根本不知道第 3 帧夹爪该在哪、接触发生在哪一刻。
这两个局限其实限制了世界模型能发挥的作用。
DW0.5 的做法是把动作当成生成的一等条件，用一个叫 group-diagonal attention mask 的结构，把动作和视频在每一帧上强制绑定：第 i 帧的视频只能看第 i 组动作，不会跟全局的动作信息糅杂在一起。简单来说，向左推和向右推这两串动作，在模型内部从第一步就走上了两条完全不同的路，自然生成两个不同的未来。
这一步做到了，才谈得上后面的事：VLA 一次采样出好几个候选动作，DW0.5 给每个动作各自演一遍不同的未来，供后续评测。
这里是 DW0.5 使用世界模型的第一层能力，生成。
成功与失败，都很重要
第二个关键点，也是行业最近都在强调的内容：一个训练场所，必须学会模拟失败。这部分，原力灵机把世界模型定义为Video Expert。
道理不难懂。
如果世界模型的训练数据的全是专家的成功轨迹，它会过拟合，养成一种过强的「成功偏见」。
你给它什么动作，它都给你生成一个任务完成的结局。这样的模型没法告诉 VLA「你这么做会把物体推到再也够不着的地方」，没法惩罚错误动作，自然也没法拿来做强化学习。
它展示的只是成功长什么样，一个只会让你赢的陪练，其实就是啦啦队。
DW0.5 的数据策略围绕这一目标设计，来自四类来源：真机和仿真里跑出来的成功、失败、偏离、卡住、恢复各种轨迹都往里喂，还接了 RoboChallenge 的真实成败案例。
仿真负责高效地探索那些危险的、容易失败的动作空间，真机负责提供真实的接触噪声和执行误差。两头一凑，DW0.5 不只学"该怎么做对"，也学"做错了世界会变成什么样"。
除此之外，还有常见的公开数据与自采机器人数据、互联网视频数据、Egocentric 数据，这部分我们就不再赘述了。
这里是 DW0.5 使用世界模型的第二层能力，仿真。
总结来说，这一步是能上强化学习的前提。没有失败，就没有可以拿来优化的信号。
把只有终局才有的胜负，细化到每一步
前两个部分做完，世界模型已经能告诉 VLA「你这么做，未来大概长这样」。
但还差一样东西：VLA 做强化学习需要 reward，需要知道哪个动作该鼓励、哪个该给负反馈。
机器人任务的 reward 出了名的稀疏，往往要等任务完成，才能计算奖励信号。可很多失败在中间早有征兆：物体姿态偏移、夹爪接触点不稳、目标被推进了低成功率的区域。
这些信号要是等到任务结束，训练效率是极低的。
DW0.5 加了一个 Value Expert，专门做评测这件事。它对当前状态、候选轨迹、整段生成的未来打一个成功概率分，把只有终局才有的那一票胜负，细分成每一步都能拿到的反馈。
这对应原力灵机强调的「对执行效果做准确打分」。在闭环系统中，Value Expert 可以用于：
-
候选动作筛选：对多个 rollout 打分，让 VLA 选择更可能成功的未来；
-
RL 后训练的 reward 信号：在世界模型环境中对 VLA 做策略优化，无需频繁占用真机；
-
部署时的在线监测：发现当前状态偏离成功路径，及时触发重新规划或失败恢复。
看下面两个例子。上面是成功的例子，reward和任务过程正相关。下面是失败的例子，就需要给模型较强的负反馈。
这里是 DW0.5 使用世界模型的第三层能力，闭环训练，也就是真机RL。
打个比方，Video Expert 是能陪你把动作演一遍、还会让你输的陪练；Value Expert 是站在场边的裁判，每一步都给出精准的打分。
这两个部分融合，一个能真正跑起来的强化学习闭环才算成型。
03 三个设计，服务同一个闭环
把这三个部分串起来，DW0.5 的闭环就成型了。
VLA 根据指令采样出多个候选动作 → DW0.5 给每个动作演出不同的未来（有成功也有失败）→ Value Expert 给这些未来打分 → 系统拿这些分去筛动作、造偏好数据，或者直接对 VLA 做强化学习后训练 → 少量真机 rollout 持续校准，让这个仿真训练场不至于偏离真实世界。
所以同一个世界模型，在这套闭环里同时扮演了三个角色：生成、仿真、闭环训练。
这也是 DW0.5 给我们的一点启发：不把某个技术固化为单一用途，从目标出发榨干技术价值。
在原力灵机的发布会上，DFOL2.0 接上 DW0.5 做闭环后训练，真机训练数据需求下降约 60%、整体训练成本下降约 40%。
据我们了解，这是行业第一次把世界模型规模化用进具身后训练闭环，榜单是这个能力的具象化表现，大家针对性吸收。
DW0.5 的模型权重也已经开源（Dexmal/DW05-Base），代码放在了 opendw 仓库。
- 链接：https://github.com/dexmal/opendw
这一点值得单独提一句：愿意把技术开源，比多刷一个榜要更实在。
也期待后续有技术的小伙伴跟我们反馈使用体验。
04 写在最后：目标比方法重要
写到这里，一个更大的分野也比较清楚了。
这一波世界模型热潮，多数公司的选择是：不停发新的世界模型、不停打榜、反复强调自己在某个榜单上的地位。
这条路没有错，生成质量本身是硬指标。但它容易让人忘了为什么出发：这些榜单第一，最后帮哪个具身模型，变强了多少？
原力的选择有一些第一性原理的味道：先判断具身当下的卡点（后训练太贵、飞轮转不起来），再把世界模型拿来当解法。
这个区别看着不大，其实决定了你最后会做出什么东西。
说到底，真正拉开差距的，是你到底想解决什么。谁的技术短期领先，反而没那么关键。在我们和原力的同学交流的过程中，给我最大的感受就是务实。
对现状的判断也很踏实，他们说短期来看具身的落地困难重重，内部其实是打算长期备战，不会现阶段过分强调场景落地。在技术发展的过程中，持续的打磨自身的实力，构建自己的护城河。
也正因为这样，给世界模型钦定一个「正确用途」这件事本身就没什么必要了。它能生成、能评测、能当训练场，具体用来干嘛，得看你要解的问题，跟贴什么标签没关系。
把某个技术本身当成终局去follow，多少有点本末倒置。
当然话说回来，DW0.5 也只是第一步，能做的事情还有很多。
期待大家后续的技术进展。
重磅！
全网首个！具身智能开源知识库来啦（技术/产业/投融资/上下游）
推荐阅读
我们用低成本的机械臂完成pi0/pi0.5/GR00T/世界模型等VLA任务～
VLA+RL方向首个系统教程来啦！Online RL/Offline RL/test time RL等～
VLA/VLA+触觉/VLA+RL/具身世界模型等！具身大脑+小脑算法与实战全栈路线来啦~
1v1 科研论文辅导来啦！
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
4
0- 0
已为社区贡献137条内容
所有评论(0)