具身智能正处于从“感知智能”向“认知与行动智能”跨越的关键节点。随着大模型技术向物理世界延伸，行业对于“世界模型”的定义与评价标准正在经历一次深刻的重构。过去单纯追求视觉生成质量的路线，正逐渐让位于能够真正指导机器人完成复杂任务的系统级能力。在这一背景下，如何建立符合具身场景的评价体系，以及如何解决长时记忆、推理延迟与数据供给等工程化难题，成为了衡量技术落地价值的核心标尺。
重塑具身世界模型评价方式
行业观察 | 具身智能前沿
今年 4 月，具身智能领域发生了一件看起来不大、但意味深长的事。
Generalist AI——也就是 PaLM-E、RT-2 背后那批人创办的明星公司——发布了 GEN-1，并在三个核心维度上做出了跨越式提升：
成功率超过 99%，速度提升 2–3 倍，数据量和微调成本只需上一代的 1/10。
几乎就在同一周，其 CEO Pete Florence 发表了一篇博客文章，明确表示：他们不再把自己的模型归类为 VLA。
这件事之所以值得被认真对待，是因为 Pete Florence 本人就是VLA 概念的共同开创者之一。
Florence 在文中把理由说得很直白：
“世界模型”正在迎来属于它的高光时刻；而在 2023 到 2025 年间，风头正劲的是 VLA。
更关键的是，他点破了一个行业长期回避的事实：把“视觉 – 语言”训练引入机器人，很大程度上是因为机器人自己的交互数据还不够多，所以 VLM 只是一根过渡期的“拐杖”。
一旦物理交互数据规模起来，这根拐杖就该被拿掉，而不是继续围着它做架构设计。
我们需要围绕一个更朴素的问题做系统级回答：
当超越 VLA 之后，下一代具身模型应该长什么样，才能真正支撑机器人在真实世界中持续、稳定、可扩展地跑起来？
这是一个很重要的立场区分，也是所有从业者需要以“返璞归真”的思维方式，重新思考的问题。
当下，在具身智能领域，VLA 和世界模型都是非常主流的技术路线。
今天不少被冠以“世界模型”之名的工作，其实属于视频生成范式——在 RGB 像素或低层视觉隐空间里拟合未来帧，本质上还是在回答“下一帧是否符合真实视频的视觉逻辑”，而不是“世界进入了什么对行动有意义的状态”。
这类模型在视频 benchmarks 上的指标也许很好看，但一旦接入真实机器人任务，立刻暴露出四类系统性瓶颈：
- 表示瓶颈：在像素空间建模，模型被迫把容量消耗在纹理、光照、背景这些与任务弱相关的信息上；
- 记忆瓶颈：因果自回归 + KV Cache 的组合，空间复杂度随轨迹长度线性增长，长时任务越跑越重，难以稳定落地；
- 推理瓶颈：感知→推理→执行严格串行，部署端延迟高，闭环频率就天然上不去，机器人“走走停停”；
- 数据瓶颈：模型依赖固定的离线数据集训练，缺少持续、新鲜、物理可信的信息流，难以飞速进化。
这四件事如果不被一起解决，“世界模型”这个词在机器人的世界里很难落地。
范式切换之后，下一个更隐蔽、但同样关键的问题是：
世界模型到底该怎么评价？
今天被频繁引用的，大多是面向视频生成的那一类榜单——考察未来帧的画质、FVD、时序一致性、文本 – 视频对齐。
这些指标对“生成式视频模型”是合理的，但放到具身语境下，评价对象就开始和目标错位。
这出自同行论文的实证结论。2026 年 2 月，清华等机构联合发布的WorldArena基准，在 14 个代表性世界模型（涵盖 Veo 3.1、Wan 2.6、CogVideoX、Cosmos-Predict、Genie Envisioner、CtrlWorld 等）上，系统测量了视觉质量与下游具身任务能力的关系，给出的结论相当直接：
High visual quality does not necessarily translate into strong embodied task capability.（高视觉质量并不一定能转化为强大的具身任务能力。）
支撑这一结论的，是一组很硬的数字。
论文构造的综合视觉质量指标 EWMScore，与人类主观打分的相关性高达 Pearson r =0.825，但与作为动作规划器的任务成功率之间，相关性只有 r =0.360——典型的弱相关区间。
更耐人寻味的是，这一论文还观察到：视觉和美学分最高的Veo 3.1，在具身任务指标上反而”improvements are limited”（提升有限），并伴随明显的 semantic drift（语义偏移）。
画得最像真的，恰恰最不懂交互。
这件事的本质，是评价对象错位了：
- 生成式世界模型问的是：“未来画面是否看着像一个合理的视频？”
- 具身世界模型更应该追问的是：“这个未来，能不能被机器人执行，并最终把任务做成？”
这两件事之间的差距，比表面上看起来大得多。
一个模型完全可能生成极其逼真的未来视频，却在真实机器人上因为几何不准、动力学不稳、时序漂移而直接失败；反过来，一个视觉上并不惊艳的模型，却可能在真机上拿到更高的成功率。
所以跨维智能的立场很明确：
具身世界模型的唯一合理指标，是下游机器人任务的成功率。
在这个意义上，RoboTwin 这类以机器人任务成功率为核心评价维度的榜单，才是具身世界模型真正应该被打分的地方。
它考察的不是“你生成得好不好看”，而是“你能不能让机器人在一系列多样化任务中稳定跑通“。
DexWorldModel 的所有设计选择、所有评估方式，都是围绕这一点展开的。
DexWorldModel 在系统上做的事情，可以简化成一条总线：
因果潜空间世界模型 (CLWM)+ 双状态测试时记忆 (Dual-State TTT Memory)+ 推测式异步推理 (SAI)+ 具身数据链与在线数据流 (EmbodiChain / ODS)
这四块不是四个独立模块，而是围绕“真机闭环部署”这一条主线，从表示、记忆、推理到数据供给做出的协同升级，分别回应前面提到的四类瓶颈。
很多世界模型会直接在像素空间、或偏低层的视觉隐空间里预测未来。
这种路径在研究上是成立的，但在真实机器人任务里，模型会被大量与任务无关的纹理、光照、背景细节拖走容量。
对机器人来说，真正关键的不是下一帧画面看起来是否逼真，而是世界是否进入了一个可操作、可交互、可执行下一步动作的状态。
CLWM 把生成目标切换到语义特征：
同时在两阶段 Flow Matching 框架下，把“预测未来语义”和“生成动作”显式拆开：
- 先预测未来潜语义
- 再在条件下生成动作块
视频分支与动作分支共享 MoT(Mixture-of-Transformers) 主干，只在输入输出投影和 Flow Matching 时步嵌入上独立参数化，使“世界未来推演”与“动作生成”在同一套时序动力学上对齐。
这一步从根本上改变了世界模型回答的问题：
不再是“下一帧好不好看”，而是“世界是否进入了一个对下一步行动有意义的状态”。
它也让模型更容易跨越背景、材质与视觉噪声带来的干扰，是后续鲁棒泛化与 sim-to-real 的基础之一（当模型用大量仿真数据训练）。
传统自回归世界模型（如 DreamZero 等）依赖 KV Cache 记录历史，空间复杂度 O(T)，轨迹一长，显存占用就线性膨胀。
短回合评测中这一点不突出；但一到连续、多步、长时的真实操作，它很快就会变成系统瓶颈。
CLWM 用 TTT-MLP 把历史观测和历史动作压缩进记忆模块权重里，并进一步设计了双状态机制：
- Long-Term Memory：只用真实观测和已执行动作更新，锚定真实因果历史；
- Working Memory：从 Long-Term Memory fork 出来，在当前预测步骤里作为临时上下文；
- Flow Matching 去噪过程中 Working Memory 冻结，去噪完成后才更新。
这套机制最重要的不是“换个缓存实现”，而是把真实历史与推测历史严格隔离——避免 speculative future 反向污染真实因果链，同时把长时序的内存占用压到常数量级 O(1)。
部署含义也很直接：系统在持续运行中不再越积越重，长时操作因此才有机会真正走向稳定部署。
即使模型本身更强，只要“感知 → 推理 → 执行”仍然串行，真机闭环频率就永远被阻塞延迟卡住。
世界模型真正有价值的一点，在于它能对未来做推演；但如果这种前瞻能力只停留在“模型内部想到了未来”，却没有改变机器人系统的运行节奏，那它离部署价值就仍然差一层。
SAI（Speculative Asynchronous Inference） 就是在这一层把模型的前瞻能力真正兑换成系统时间：
- 机械臂执行当前动作时，GPU 不空转；
- 用上一轮预测得到的作为 surrogate condition，后台先完成下一阶段未来语义与动作的前半段 pre-denoising；
- 真实观测到达后，快速更新 Long-Term Memory，再完成后半段精细 denoising。
在 RoboTwin 仿真环境下，端到端阻塞延迟下降约50%。
这背后的变化很关键：传统流程里，机器人执行和模型推理是前后串行的；在 DexWorldModel 里，这两件事开始被深度重叠。
世界模型带来的不只是“更会预测”，还包括“更少等待”和“更高闭环频率”。
对真实机器人来说，这种变化往往比单纯提升几个离线指标更重要。
世界模型能否真正“长大”，取决于它能否持续接触到足够新鲜、足够多样、足够物理可信的经验。
而这恰恰是具身智能与纯互联网数据范式最不同的地方：机器人数据获取成本高、生产慢，很多训练过程仍然受限于有限的静态数据集。
机器人基础模型的瓶颈，很多时候并不在网络结构，而在”高质量交互数据的吞吐率“上。
EmbodiChain（项目主页：
- 物理一致的资产与场景快速生成；
- Reachability-aware 轨迹采样，提升功能层面的多样性；
- 失败恢复轨迹回流训练，补齐错误状态下的监督信号；
- ODS（Online Data Streaming）：流式注入新的批量数据，替代静态数据集的反复训练。
论文中的消融实验也印证了这一点——当在线数据流中新鲜经验的吞吐更高、单条轨迹被重复使用的次数更低时，任务成功率显著提升。
所以 EmbodiChain 并不是 DexWorldModel 旁边的一套“外围数据工具”，它是 DexWorldModel 能够不断逼近真实世界能力边界的经验引擎。
前面提过，具身世界模型真正该被评价的地方，是机器人任务成功率。
所以这回我们把结果直接放在 RoboTwin 这类真正相关的榜单上看。
在仿真环境RoboTwin上，DexWorldModel 取得了94.00%的平均成功率，超过多项已有基线。
系统效率方面，两条结果尤其关键：Dual-State TTT Memory 在长时任务中维持常数内存占用，SAI 将部署 blocking latency 降低约 50%。
更值得关注的是 Sim2Real 这一环。
DexWorldModel 在四个真实机器人任务上报告了零样本 sim-to-real结果：
模型仅在 simulation 中训练，就取得了优于π0、GR00T N1.5 与 Sim2Real-VLA 的表现，而其中部分基线还使用了真实示范做微调。
这组结果有几点值得强调：
第一，它不是单点刷榜，而是系统性结果。
CLWM 解决表示，TTT 解决记忆，SAI 解决推理节奏，EmbodiChain 解决经验供给，四层收益叠在同一条曲线上。
第二，EmbodiChain 不是“可选加持”，而是直接参与了上限提升。
消融实验里，把 ODS 从流程里拿掉，成功率会肉眼可见地下滑。
这进一步印证了“经验流的持续性本身就是一种系统能力”。
第三，Sim2Real 的 Zero-Shot 是最有说服力的一格。
仅仅在仿真里训练，在真实机器人上直接跑通四个任务，且超过了部分用了真机示范微调的强基线，这才是“具身世界模型是否走得通”的真正分水岭。
这当然还不是终点，也不意味着世界模型已经跨过了所有落地门槛。
但它至少说明了一件事：
当世界模型开始围绕语义状态、长时记忆、部署节奏、经验供给这几个关键问题被系统性地重做之后，从概念走向部署的距离，确实可以被一步一步拉近。
如果说 DexWorldModel 是模型侧的答卷，那么 EmbodiChain 则是跨维智能希望交给整个行业的基础设施。
过去两年，Scaling Law 在具身智能里常常被引用。
但机器人世界真正稀缺的，从来不是参数，也不是存量数据，而是持续、物理可信、可交互的数据流。
在这个变量上，整个领域目前仍然是欠供给的。
这也是我们选择把 EmbodiChain 作为仿真数据基建对外开源的原因。
它不是一个一次性的数据集发布，而是一整套可被社区复用、扩展、共建的经验生产链路：资产生成、场景布局、reachability-aware 采样、失败恢复、视觉域扩展、Online Data Streaming，都以模块化的方式开放出来。
跨维智能希望这件事能帮助行业，把注意力从“模型更大”拉回到“数据基建更持续、更新鲜、更物理可信”这条真正决定具身智能 scaling 斜率的主轴上。
开源不是终点，而是让这条曲线更陡的方式。
跨维智能期待更多同行一起把这套基建用起来，也把它共同推向更完整的形态。
如果要用一句话总结，跨维智能在这一阶段想讲的事情，它其实不只是“发布了一个世界模型”，而是：
世界模型的胜负手，不在视频生成得是否逼真，而在机器人能不能稳定地把事情做成。
当 VLA 的开创者自己都决定抛弃 VLA——剩下的问题只有一个：
谁能先把具身模型这条路，从概念拉到真机。
DexWorldModel 做的是在表示、记忆、推理、数据引擎四层同时发力，把 Sim2Real 的最后几段鸿沟一步步压小；EmbodiChain 做的是让这件事可以持续发生。
接下来，跨维智能会沿着“真机榜单”这条更难、但更有意义的路继续走下去。
DexWorldModel 背后的意义，从来不只是世界模型本身，而是跨维选择直面那些真正决定落地的系统问题——
今天离真实部署最近的阻碍到底是什么，哪些问题值得优先解决，哪些系统能力必须先搭出来。
它没有宣称世界模型已经走完了通向现实世界的路，但它确实把其中几段最关键的间隙拉小了。
这也是跨维智能一贯的态度，不和概念赛跑，和真实世界赛跑。
项目主页：
