光象科技联合清华发布物理原生世界模型Phi-WM 1.0 ActEffect
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载训练时介入执行时退出
ActEffect 的做法是把世界模型限定在训练环节。机器人策略在训练中会给出多份完整的动作提案，受控世界模型接收当前视觉状态与其中一份提案，预测这段动作执行后场景会如何变化。三份提案分别走一遍，相当于在训练场里提前比对三种后果。训练完成后，受控世界模型与未来观测分支一并从部署链路中移除，机器人执行任务时只保留 MIP 动作头完成粗提案与精修，不再展开未来预测或搜索候选动作。这与把世界模型当作随身沙盘、先预测再决策的常见思路不同：后者推理链路随预测步数增长，前者把预测开销留在训练阶段，部署时只承担动作生成的计算量。
三版提案与后果排序
突破口落在模仿学习的评分方式上。VLA 策略依据演示数据生成动作，训练时答案越接近示范动作得分越高，但动作数值接近并不等于执行结果正确，夹爪早合一点或手腕角度偏一点都可能改变结局。ActEffect 让策略同时交出三份完整提案：前馈分支的第一反应、MIP 动作头给出的粗提案、在粗提案上继续精修得到的最终动作。之所以强调完整，是因为扩散与流匹配类策略在训练中会经过大量带噪中间状态，难以直接送入世界模型比较。三份提案起点一致，受控世界模型逐一预测后果，再与训练数据中动作执行后的真实观测对照，要求精提案比粗提案更接近真实未来，粗提案又优于前馈提案，从而把后果判断转化为策略优化的反馈信号。
语言归策略画面归模型
在输入分工上，语言指令留在 VLA 策略一侧，负责说明任务目标；受控世界模型只读取当前画面与动作，不再解析任务语言。同样一次推杯动作，杯子如何移动取决于它当前的位置、周边环境与机械臂施加的动作，指令写的是挪开杯子还是清理桌面，并不改变这次推动产生的物理变化。未来状态被放进冻结的 DINOv3 视觉特征空间，模型无需生成逼真的未来画面，只需把握物体位置、姿态与场景结构的变化，这也是物理原生一词的落点。训练中还为排序损失加入梯度截断，避免差答案通过变得更差来衬托好答案，使优化只能推动更优提案靠近真实未来。
测试数字与消融结果
测试覆盖三个基准。LIBERO 包含四组单臂多任务桌面操作，ActEffect 取得 98.8% 的平均成功率，高于 DiT4DiT 的 98.6%，领先幅度为 0.2 个百分点，说明引入后果反馈后原有基础操作能力未被削弱。加入七类分布偏移的 LIBERO-PLUS 会改动相机视角、机器人初始状态与语言表述，并在光照、背景、传感器噪声、物体布局上制造变化，ActEffect 平均成功率 80.3%，Fast-WAM 为 51.5%。面向 29 维动作空间的 RoboCasa-GR1 要求控制具备双臂、灵巧手与腰部自由度的 GR-1 完成 24 项桌面操作，ActEffect 平均成功率 67.5%，比 ABot-M0 高 9.2 个百分点，比 Fast-WAM 高 10.8 个百分点。消融实验显示，去掉后果反馈后 LIBERO 成绩从 98.8% 降至 97.0%，把 DINOv3 特征空间换成 VLM 表示后为 97.3%，拿掉排序损失则回落到 98.1%。
为什么值得看
大幅提升机器人任务成功率，降低部署成本，为具身智能提供新思路。
信源1 家
关键事实
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。