0
| 本文作者： 徐咪 | 2025-10-17 17:58 |
近年來(lái)機(jī)器人的“體能”正在以肉眼可見(jiàn)的速度進(jìn)步——后空翻、跑酷、馬拉松，這些曾經(jīng)只屬于人類的運(yùn)動(dòng)能力，如今機(jī)器人也能輕松完成。然而，讓機(jī)器人完成一個(gè)后空翻很難，但讓它“理解”面前的水杯為什么倒下后水會(huì)灑出來(lái)，或許更難。
繼Deepseek在大語(yǔ)言模型開(kāi)源促進(jìn)行業(yè)發(fā)展后，北京人形機(jī)器人創(chuàng)新中心再次打破邊界并開(kāi)源了全新的世界模型架構(gòu)，提出了一個(gè)讓機(jī)器人真正“看見(jiàn)、理解并行動(dòng)于世界”的具身世界模型——WoW（World-Omniscient World Model），幫助具身智能機(jī)器人快速學(xué)習(xí)掌握各項(xiàng)技能，助力行業(yè)打造“最好用”的機(jī)器人。
一經(jīng)發(fā)布，該模型便受到學(xué)術(shù)界產(chǎn)業(yè)界廣泛關(guān)注，其中Huggingface官方留言：Excellent work，并重點(diǎn)推薦希望上傳更多內(nèi)容。斯坦福具身智能大佬 、PI創(chuàng)始人、清華合作文章也引用了WoW具身世界模型技術(shù)報(bào)告。這意味著北京人形機(jī)器人創(chuàng)新中心在具身世界模型領(lǐng)域走在世界前列。
這不僅僅是一次視覺(jué)模型的升級(jí)，更是一個(gè)融合了視覺(jué)、動(dòng)作、物理感知與推理的統(tǒng)一世界生成框架。 它讓 AI 不再只是“看視頻”或“生成圖像”，而是能通過(guò)交互學(xué)習(xí)世界的物理規(guī)律，并在真實(shí)環(huán)境中自主操作。如果說(shuō)GPT系列讓機(jī)器“讀懂語(yǔ)言”，Sora系列是在“看世界”，那么 WoW 就是讓機(jī)器人“理解物理世界”，并且給到算法觸摸世界的雙手。創(chuàng)新的技術(shù)架構(gòu)、完全開(kāi)源的策略、完整的工具支持，使得WoW有望成為世界模型領(lǐng)域的“Deepseek"。
相較于 Sora 2， WoW 具身世界模型 在模擬機(jī)器人操作的時(shí)空一致性、物理推理能力表現(xiàn)更為出色。
圖 WoW生成依次抓取火方塊，柔性方塊，水方塊
圖 WoW生成打開(kāi)喬布斯自傳書
圖 Sora 2生成依次抓取火方塊，柔性方塊，水方塊
圖 Sora 2生成打開(kāi)喬布斯自傳書
創(chuàng)新的技術(shù)架構(gòu)體系，重新定義世界模型能力邊界
北京人形提出了一個(gè)全新的多模態(tài)大模型框架，將世界生成（World Generation）、動(dòng)作預(yù)測(cè)（Action Inference）、視覺(jué)理解（Vision-Language Models, VLM） 和自我反思（Refiner Agent）融合為一個(gè)統(tǒng)一系統(tǒng)，成功解決傳統(tǒng)架構(gòu)物理一致性、因果推理和跨本體跨場(chǎng)景跨動(dòng)作泛化方面的局限。
圖 WoW 是一個(gè)融合了感知、預(yù)測(cè)、判斷、反思與行動(dòng)五個(gè)環(huán)節(jié)的具身世界模型。它從真實(shí)的機(jī)器人交互數(shù)據(jù)中學(xué)習(xí)，能在已知與未知場(chǎng)景中生成高質(zhì)量、物理一致的機(jī)器人視頻，最終讓想象中的動(dòng)作真正落地于現(xiàn)實(shí)執(zhí)行。
WoW具身世界模型系統(tǒng)由四個(gè)核心組件構(gòu)成：
DiT 世界生成基座模型（Diffusion Transformer） —— 具備真實(shí)世界推理與生成能力的[物理引擎+想象系統(tǒng)]
WoW具身世界模型能夠根據(jù)環(huán)境狀態(tài)與歷史幀，預(yù)測(cè)未來(lái)場(chǎng)景、推演物理演化、還原動(dòng)態(tài)因果鏈。在此基礎(chǔ)上，北京人形從800萬(wàn)條海量機(jī)器人與物理世界交互軌跡, 并自建數(shù)據(jù)優(yōu)化精煉管線，篩選出200 萬(wàn)條高質(zhì)量的訓(xùn)練集，訓(xùn)練了多個(gè)版本的世界模型， 從 1.3B → 2B → 7B → 14B 參數(shù)的全系列擴(kuò)展，并驗(yàn)證了隨著模型規(guī)模提升，物理一致性與生成穩(wěn)定性以及泛化性呈顯著上升趨勢(shì)。
域內(nèi)(In-domain)泛化生成：
圖 WoW生成打開(kāi)洗碗機(jī)
圖 WoW生成打開(kāi)水龍頭放下蘋果
圖 WoW生成機(jī)械臂生成依次按下紅色按鈕，收拾餐具，按下綠色開(kāi)關(guān)(長(zhǎng)程任務(wù))
域外（Out-of-domain）泛化生成：
(a)北京人形具身天工2.0
圖 WoW生成具身天工2.0把橙子放進(jìn)盤子里
圖 WoW生成具身天工2.0倒酒
圖 WoW生成具身天工2.0把面包放進(jìn)面包機(jī)
(b)更有趣的泛化
圖 WoW生成其他類型機(jī)器人打招呼
圖 WoW生成從梵高的向日葵畫里拿出向日葵
圖 WoW生成機(jī)械臂夾爪工作軌跡流
WoW 不是在記憶訓(xùn)練場(chǎng)景，而是在學(xué)習(xí)“物理規(guī)律的抽象本質(zhì)”，具備跨機(jī)器人形態(tài)泛化、任務(wù)泛化、場(chǎng)景泛化全方位能力，這類“視覺(jué)+物理”的泛化能力，是通向具身智能（Embodied Intelligence）的關(guān)鍵指標(biāo)。
圖 機(jī)器人本體形態(tài)泛化
圖 機(jī)器人動(dòng)作任務(wù)泛化
圖 更多泛化能力
SOPHIA 自反范式（Solver–Critic–Refiner） —— 業(yè)內(nèi)首次提出SOPHIA框架，讓世界模型“自己教自己”。
WoW 具身世界模型遵循 SOPHIA 范式——將大語(yǔ)言模型 (LLM) 與 擴(kuò)散 Transformer (DiT) 結(jié)合起來(lái)，在語(yǔ)言引導(dǎo)下生成物理上合理的未來(lái)，通過(guò)“生成預(yù)測(cè)（predict）—批評(píng)（critic）—修正（refine）”的迭代循環(huán)機(jī)制，將“想象（imagination）”與“推理（reasoning）”統(tǒng)一為具身智能的基本組成部分，正類似于人類智能“想象-驗(yàn)證-修正-再想象”的核心特征，讓模型越看越準(zhǔn)，越生成越真實(shí)。
圖 左側(cè)展示了 動(dòng)態(tài)評(píng)論模型（Dynamic Critic Model Team），它通過(guò)真實(shí)與合成視頻的標(biāo)注訓(xùn)練，學(xué)會(huì)判斷生成畫面的物理合理性。右側(cè)展示 Refiner Agent（優(yōu)化智能體），根據(jù)評(píng)論模型的反饋不斷改寫提示詞、重新生成視頻，形成一個(gè)“生成—批評(píng)—改進(jìn)”的閉環(huán)優(yōu)化過(guò)程。
FM-IDM 逆動(dòng)力學(xué)模型（Flow-Mask Inverse Dynamics） —— 從視頻到動(dòng)作，給算法觸摸世界的雙手
WoW具身世界模型實(shí)現(xiàn)[視頻生成]和[機(jī)器人動(dòng)作]閉環(huán)，通過(guò)給定連續(xù)兩幀預(yù)測(cè)視頻，F(xiàn)M-IDM能夠計(jì)算出機(jī)器人末端執(zhí)行器的動(dòng)作變化量，從視覺(jué)“想象”中反推出真實(shí)可執(zhí)行的運(yùn)動(dòng)指令，讓模型真正實(shí)現(xiàn)從視頻到行動(dòng)的閉環(huán)，意味著AI不再停留在“想象中”，而能真正“動(dòng)手”去驗(yàn)證自己的理解，標(biāo)志著真正實(shí)現(xiàn)從生成到執(zhí)行的跨越。
圖 給定連續(xù)兩幀預(yù)測(cè)視頻，F(xiàn)M-IDM（Flow-Mask Inverse Dynamics Model）能夠計(jì)算出機(jī)器人末端執(zhí)行器的動(dòng)作變化量（ΔAction），從視覺(jué)“想象”中反推出真實(shí)可執(zhí)行的運(yùn)動(dòng)指令，讓模型真正實(shí)現(xiàn)從視頻到行動(dòng)的閉環(huán)。
WoWBench 世界基準(zhǔn) —— 全球首個(gè)針對(duì)具身世界模型的綜合基準(zhǔn)，讓“想象力”第一次有了可量化的科學(xué)標(biāo)準(zhǔn)
北京人形提出了專測(cè)“物理一致性與因果推理”的新基準(zhǔn) WoWBench， 也是全球首個(gè)針對(duì)具身世界模型的綜合基準(zhǔn)，從四大核心維度評(píng)估模型能力——感知理解、預(yù)測(cè)推理、決策與規(guī)劃、泛化執(zhí)行，覆蓋包括視覺(jué)保真與時(shí)間一致、指令理解與語(yǔ)義正確性、物理與因果推理、規(guī)劃與任務(wù)分解等多個(gè)指標(biāo)，采用混合評(píng)測(cè)機(jī)制（專家模型+GPT或精調(diào)VLM+人類專家）進(jìn)行評(píng)分，確保模型表現(xiàn)與人類認(rèn)知保持一致。
圖 WoWBench 圍繞五個(gè)核心組成部分構(gòu)建：（左上）多維評(píng)測(cè)體系，從視頻質(zhì)量、規(guī)劃推理、物理規(guī)律、指令理解四個(gè)角度評(píng)價(jià)生成結(jié)果；（中上）對(duì)應(yīng)具身世界模型的四大核心能力——感知、規(guī)劃、預(yù)測(cè)與泛化；（右上）依托多源數(shù)據(jù)構(gòu)建流程，融合自采、開(kāi)源與AI生成數(shù)據(jù)，并結(jié)合 GPT 預(yù)篩選 + 人類標(biāo)注 的混合機(jī)制，形成高質(zhì)量的視頻–指令對(duì)（圖中三張餅圖展示了數(shù)據(jù)分布統(tǒng)計(jì)）；（中部）采用雙評(píng)測(cè)機(jī)制：專家模型評(píng)估運(yùn)動(dòng)與一致性，GPT或精調(diào)VLM評(píng)估指令理解與任務(wù)規(guī)劃；（底部）還邀請(qǐng)了12位領(lǐng)域?qū)＜疫M(jìn)行人工評(píng)審，確保模型表現(xiàn)與人類認(rèn)知一致。
實(shí)踐測(cè)評(píng)，WoW性能領(lǐng)先強(qiáng)勢(shì)基線模型
經(jīng)評(píng)測(cè)驗(yàn)證 WoW具身世界模型，區(qū)別于傳統(tǒng)僅追求視覺(jué)保真度的視頻生成，WoW 的“自我優(yōu)化循環(huán)（SOPHIA 框架）”使模型能從推理—生成—反思的閉環(huán)中不斷改進(jìn)，在WoWBench四大指標(biāo)中全面領(lǐng)先，未加入SOPHIA Agent自優(yōu)化模塊前，WoW-DiT在人類與自動(dòng)評(píng)測(cè)中已經(jīng)均取得最高分（Overall = 49.39），遠(yuǎn)超Cosmos-Predict、CogVideoX等強(qiáng)勢(shì)基線模型，加入 SOPHIA Agent自優(yōu)化模塊（Self-Optimization Framework） 后，總體評(píng)分更是進(jìn)一步提升至 51.97，超過(guò)所有對(duì)比模型。
表 WoW-DiT本身已經(jīng)在人類與自動(dòng)評(píng)測(cè)中均取得最高分
表 加入 SOPHIA Agent自優(yōu)化模塊（Self-Optimization Framework） 后，WoW+Agent 的總體評(píng)分進(jìn)一步提升至 51.97，超過(guò)所有對(duì)比模型。
WoW具身世界模型學(xué)習(xí)到的不僅具備外觀一致性，并且具備物理機(jī)制的一致性，在物理模擬指標(biāo)量化測(cè)評(píng)中，在復(fù)雜動(dòng)力學(xué)（軟體、流體、光學(xué)）等場(chǎng)景中全面領(lǐng)先，特別是非剛體動(dòng)力學(xué)的柔性物體或流體中優(yōu)勢(shì)顯著。
表 物理模擬指標(biāo)量化
在不同難度的機(jī)器人實(shí)驗(yàn)中，WoW具身世界模型驅(qū)動(dòng)的FM-IDM中，簡(jiǎn)單任務(wù)成功率高達(dá)94.5%，遠(yuǎn)超傳統(tǒng)逆動(dòng)力學(xué)基線模型，中等難度的成功率達(dá)到 75.2% (創(chuàng)下新SOTA，尤其在中等任務(wù)上顯著超越其他方法），當(dāng)部署到實(shí)際機(jī)械臂上，WoW 生成的動(dòng)作幾乎可直接執(zhí)行，實(shí)現(xiàn)“從像素到動(dòng)作”的完整閉環(huán)。
表 不同難度級(jí)別下的視頻回放成功率基準(zhǔn)
圖 WoW 在真實(shí)機(jī)器人環(huán)境中的有效性。(左)展示了 WoW 在真實(shí)機(jī)器人上執(zhí)行的 簡(jiǎn)單與中等難度任務(wù) 的成功軌跡示例。 (右）展示三種不同世界模型骨干(backbone)在現(xiàn)實(shí)世界準(zhǔn)確性比較的定量結(jié)果。在所有基礎(chǔ)模型中，微調(diào)都極大地提高了現(xiàn)實(shí)世界中的性能，其中 WoW-cosmos2 達(dá)到了 最高得分，展現(xiàn)了最優(yōu)的實(shí)際執(zhí)行能力。
從 3萬(wàn) 到 200萬(wàn) 條交互軌跡，WoW 的性能幾乎呈冪律增長(zhǎng)——證明真實(shí)交互數(shù)據(jù)比純視覺(jué)數(shù)據(jù)更能塑造“世界理解力”。14B 參數(shù)版本在復(fù)雜物理任務(wù)上表現(xiàn)最穩(wěn)健，此外7B模型也能在效率與效果間取得理想平衡。
圖 WoWBench 各模型多維細(xì)粒度性能對(duì)比圖
開(kāi)源開(kāi)放，構(gòu)建世界模型的研究基礎(chǔ)設(shè)施
北京人形機(jī)器人創(chuàng)新中心開(kāi)源WoW具身世界模型部分模型權(quán)重，推理代碼與WoWBench，這種程度的開(kāi)源，使得全球研究者不僅能夠復(fù)現(xiàn)論文結(jié)果，更能夠在WoW的基礎(chǔ)上進(jìn)行深入研究和應(yīng)用開(kāi)發(fā)，大大降低了世界模型研究的入門門檻，加速具身智能機(jī)器人走入生活方方面面。
開(kāi)源部分模型權(quán)重：包含1.3B、2B、7B、14B三個(gè)參數(shù)量級(jí)的預(yù)訓(xùn)練模型。
開(kāi)源訓(xùn)練推理代碼：從數(shù)據(jù)預(yù)處理到模型部署推理的流程代碼。
開(kāi)源WoWBench評(píng)估基準(zhǔn)：首個(gè)專門針對(duì)具身世界模型的綜合測(cè)試標(biāo)準(zhǔn)。
應(yīng)用前景廣闊，實(shí)現(xiàn)從技術(shù)到產(chǎn)業(yè)的全面賦能
北京人形發(fā)布的WoW具身世界模型，憑借創(chuàng)新的技術(shù)架構(gòu)，優(yōu)越的性能表現(xiàn)以及開(kāi)源開(kāi)放合作賦能，助力具身智能機(jī)器人多場(chǎng)景落地。
學(xué)術(shù)研究層面：北京人形為世界模型研究提供統(tǒng)一的基準(zhǔn)平臺(tái)和可比較的評(píng)估體系，并將WoWBench基準(zhǔn)和模型開(kāi)源，加速研究進(jìn)展，促進(jìn)科研復(fù)現(xiàn)。
技術(shù)演進(jìn)層面：智能體自我訓(xùn)練平臺(tái)，北京人形提供自優(yōu)化接口，WoW世界模型可作為交互式生成模擬沙盒，使VLM在長(zhǎng)時(shí)序任務(wù)規(guī)劃中“自我調(diào)試邏輯錯(cuò)誤”，可顯著提升模型在模糊任務(wù)中的自我修正與反思能力。
產(chǎn)業(yè)應(yīng)用層面：一方面WoW具身世界模型可以實(shí)現(xiàn)數(shù)據(jù)遷移與擴(kuò)增，從少量真實(shí)數(shù)據(jù)出發(fā)，生成更多合成樣本，完成“想象-生成-再標(biāo)注-遷移”的自循環(huán)過(guò)程，讓AI擁有“自我造數(shù)”能力。
圖 少量真是數(shù)據(jù)出發(fā)，生成更多合成樣本
另一方面WoW具身世界模型可以從視覺(jué)“想象”中反推真實(shí)可執(zhí)行的動(dòng)作指令，可遷移真實(shí)機(jī)器人本體上執(zhí)行抓取、裝配等各類操作任務(wù)，使機(jī)器人具備了在復(fù)雜環(huán)境中自主理解與執(zhí)行自然任務(wù)指令的能力。
圖 想象遷移真實(shí)機(jī)器人本體
WoW通過(guò)系統(tǒng)性結(jié)合完成了 想象世界 → 理解物理 → 生成視頻 → 執(zhí)行動(dòng)作 → 再學(xué)習(xí) 的邏輯閉環(huán)，當(dāng) AI 擁有“手”和“身體”，能夠真實(shí)地探索世界、干預(yù)世界、理解因果、積累經(jīng)驗(yàn)，它將不再只是世界的觀察者，而成為一個(gè)真正的智能體。
此前，北京人形機(jī)器人創(chuàng)新中心“具身天工Ultra”獲得全球首個(gè)人形機(jī)器人半程馬拉松冠軍，并且采用”全自主“方式在首屆世界人形機(jī)器人運(yùn)動(dòng)會(huì)，獲得100米短跑項(xiàng)目的冠軍，成為人形機(jī)器人史上首個(gè)百米“飛人”，充分展示其“最能跑”的領(lǐng)先技術(shù)實(shí)力；基于”慧思開(kāi)物“平臺(tái)下的”具身大小腦協(xié)同，北京人形僅憑天軼2.0一款機(jī)器人，在首屆世界人形機(jī)器人運(yùn)動(dòng)會(huì)一舉斬獲一金三銀一銅的優(yōu)異成績(jī)，表現(xiàn)出卓越的泛化能力——面對(duì)毫米級(jí)物料插裝、復(fù)雜路徑搬運(yùn)、行李識(shí)別與運(yùn)送等任務(wù)，均能在無(wú)人干預(yù)下高效完成，能夠在多個(gè)垂直場(chǎng)景中同時(shí)達(dá)到頂尖水平，且在效率上不輸專用機(jī)器人，同樣也證明了其“最好用”。
本次WoW具身世界模型的開(kāi)源，進(jìn)一步展現(xiàn)了北京人形機(jī)器人創(chuàng)新中心在大腦方面的領(lǐng)先實(shí)力，從[理解世界]到[重建世界]，WoW具身世界模型讓我們看到人工智能真正成為具身智能體的未來(lái)，圍繞“最能跑、最好用”北京人形機(jī)器人創(chuàng)新中心將持續(xù)開(kāi)源開(kāi)放，加速具身智能落地應(yīng)用。
論文地址: https://arxiv.org/pdf/2509.22642
項(xiàng)目地址: https://wow-world-model.github.io/#
開(kāi)源代碼地址: https://wow-world-model.github.io/
開(kāi)源模型地址：https://huggingface.co/WoW-world-model
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
