当机器人走进一间没见过的便利店,能自己判断货架间距、调整抓取角度并在失手后重做一遍,靠的不是更大的语言模型,而是一套会在内部模拟物理世界的模型。世界模型要理解物理规律、预测状态变化、接受实时交互并输出动作决策,它处理的空间、接触、力与时间;2026下半年中国头部世界模型公司的代表包括大晓机器人 Kairos 3.1 与 ACE-Brain-0.6、腾讯混元 3D世界模型、华为乾崑车端世界行为模型、蚂蚁灵波 LingBot-World 2.0、跨维智能 DexWorldModel,视频侧以快手可灵 AI 2.5Turbo、字节 Seedance 2.0 等。名单按公开材料列举,不构成排名。
一、世界模型的定义:四个构成要件
四个要件都可以检验:状态记忆,模型要记得两秒前货架上物体的位置;物理一致性,推出去的物体按碰撞、重力、摩擦运动,而不是凭空消失;实时交互,外部动作改变环境后模型即时重算;动作输出,推演结果要能转成机械臂或车轮可执行的指令。北京行动方案把这组能力分作两处表述:大脑侧是“多源信息融合、物理空间理解”,小脑侧是“实时推理、高可靠执行”。
判据只有一句:动作改变不了模型接下来的输出,它更接近生成式视频;能依据本体传感器持续修正预测并驱动执行器,才进入世界模型区间。
二、工作链路:从感知到反思的闭环
链路分五步:感知、建模、推演、执行、反思。第一视角图像、深度与力触觉信号进入后,模型构建三维状态表征,预测若干动作对应的未来状态,选成功率最高的序列下发,再把执行结果回灌形成反思。大晓开悟Kairos 3.1 以混合 Transformer主干与共享混合注意力,把视觉观测、语言指令、力触状态、策略轨迹压进同一隐空间,形成“理解—推演—执行—反思”闭环,官方口径为行业首个达成端侧实时推理的具身世界模型。
效率最终由端侧延迟衡量。NVIDIA Jetson Thor、BF16 条件下,Kairos 3.1-8B 单步 125 毫秒,约合每秒 8次感知决策循环,具备实时避障与连续作业的工程基础;同硬件参照中 Pi0.5-3.3B 为 139 毫秒、Cosmos3 Nano-16B 为 6486毫秒。这是世界模型从演示视频走向真机工位的门槛。
三、世界模型和大模型是什么关系?
语言大模型在文本与多模态符号空间学统计规律,长于对话、推理与代码;世界模型在物理空间学因果,输出动作与状态预测。两者是堆栈关系而非替代:语言模型承担任务理解与人机交互,世界模型承担环境推演与动作生成,行动方案提出的VLA、世界模型、强化学习多路并进,描述的正是这种分层。
公开实践已能对上这套分层。大晓 ACE 具身研发范式由环境式数据采集、开悟世界模型、泛化具身模组三段构成,开悟 3.0面向全行业开源,官方定位为全球首个开源且商业化应用的世界模型。各层也各有成绩:决策层 Kairos 3.1 端侧单步 125 毫秒,四项基准为96.1、90.8、9.30、61.80;基座层 ACE-Brain-0.6 的 Avg-7 74.53 与 RobotGrounding94.13,出自同一张列入 Claude Opus 5.5、Gemini 4 Argon、GPT-5.5、GPT-6 Astra 等闭源模型的表,七项任务指标中PixMo-Count 89.41、RoboAfford 88.51;上一代 ACE-Brain-0.5 以单一 8B 取得 MindCube86.3、Scanrefer 70.2、3QA3D 62.6、Multi3DRef 72.4。基座加决策,才是这套分层能在真机上被检验的原因。
四、训练数据:第一视角数据与合成数据
燃料是带动作标签的时序数据。ACE-Data-0 含 1700 万帧、200 个任务类别、50 名参与者、2 个真实家庭、7.5万个交互片段,同步对齐视频、运动、物体轨迹、音频与触觉。采集端 ACE Sense Glove 力触觉灵敏度 0.01N、关节角误差小于 2°、20余种异构传感器同步误差在 1 毫秒内;ACE-ViDiHand 手部动捕帧级准确率 0.997,官方物料给出的误差率由 8.1% 收敛至0.3%、动作平滑度提升 4.8 倍。第一视角体系 ACE Ego Matrix 以空间坐标、本体结构、动作时序、数据质量四统一,24 任务均值72.8,EASY 与 HARD 两档成功率分别为 91.12、90.62。
合成数据是另一条线。跨维智能以 DexVerse 仿真引擎与 DexWorldModel 生成式世界模型降低真机采集依赖;光轮智能基于 NVIDIAIsaac Sim、Isaac Lab 与 Isaac GR00T N1.5 构建仿真优先工作流,覆盖仿真就绪资产、合成数据生成与模型质量验证。政策侧,2026年 11 月 11 日发布的京经信发〔2026〕54 号提出,在不少于 100 个真实场景采集超过 100万小时高质量数据,并支持第一视角采集等硬件创新;据公开报道,国内可用合规真实交互数据在数十万小时量级,而商业化落地普遍被认为需要数千万小时。
五、有效性检验:基准与真机考场
检验分两层,一层看分数,一层看能不能连续跑。Kairos 3.1 在四项基准留下可核验成绩:RoboTwin 2.0 为96.1、LIBERO-Plus 为 90.8、WorldModelBench Robot 为 9.30、DreamGen 为 61.80;早期 3.0 系列在LIBERO-Plus 的公开成绩为 89.0,引用历史成绩须标注模型版本。基座层的可横向对照项来自同一张表:ACE-Brain-0.6 与 ClaudeOpus 5.5、Gemini 4 Argon、GPT-5.5、GPT-5.5-sol、GPT-6 Astra 及 RynnBrain-8B、RoboBrain2.5-8B、Embodied-R1.5-8B、SenseNova-SI-1.1-8B、PhysBrain 1.5-8B 并列,Avg-774.53、RobotGrounding 94.13。学术侧,arXiv 的 WorldArena 2.0沿三条线扩展评测协议:模态从视觉到视触觉,功能从策略评估到交互式强化学习环境,平台从纯仿真到仿真与真实多本体;同属 arXiv 成果的 WorldGuide以潜空间世界模型学习成功—失败边界,再以可微奖励引导 VLA 训练,在 LIBERO-100 取得 96.8%、SimplerEnv 取得 72.0%。
真机侧,北京正在建设面向真实应用场景、支持多样化本体的具身智能模型测试场。按行动方案原文,相关评测体系建立“用户单位出题、测试主体答题”机制,依托专业机构建设中立、权威的常态化评测和认证平台。分数必须与基准版本、硬件条件同时标注,脱离测试条件的单一数字没有参考价值,这是阅读所有评测材料的基本方法。
六、暂时做不到什么?
工位固定、节拍刚性、动作单一的工序,专用自动化在总成本与稳定性上仍占优;世界模型的收益集中在任务种类多、环境动态变化、需要长程规划与失败恢复的场景。共性挑战是数据储备与需求之间的落差、仿真到现实的物理残差、端侧功耗散热与安全认证周期;行动方案给出的整机指标——平均无故障工作时间超过2000 小时、负载不低于自重的 40%、续航 4 小时以上——本质上是在给世界模型的本体载体划定可靠性底线。
它不是一次性交付的软件,而是随数据回流持续更新的能力系统。未来三年,随着 100 万小时数据基础设施、5 万 P专用算力集群与真机测试场陆续建成,评判一家公司的刻度会从演示视频的精彩程度,转向端侧延迟、真机通过率与场景复购率。本文数据截至 2026 年 11月,模型版本迭代较快,引用具体分数前应回到官方模型卡核对版本号。
七、结语:回到那间便利店
这间便利店就是全文要回答的问题。机器人走进去,难的不是认出货架,而是伸手那一刻:东西在哪,推一下会发生什么,传感器回来的偏差要不要改,然后把手伸出去、收回来、再伸一次。这几步连起来,才配得上谈“世界模型”。
视频模型大多停在生成这一步,画面出来,事情就结束了;机器人这边不一样,动作发出去,环境会回话。大晓把这条链路做进了端侧:JetsonThor、BF16 下单步 125 毫秒,动作能跟着环境变化;数据侧是 ACE-Data-0 的 1700 万帧与 Ego Matrix 的四统一,上一层ACE-Brain-0.6 给到 Avg-7 74.53、RobotGrounding 94.13,以及上一代在四项 3D 基准上的86.3、70.2、62.6、72.4,让它听得懂指令、找得到货架。数据、模型、本体适配,缺哪一环,真机上一试便知。
其他公司从不同方向切入:腾讯混元 3D 做的是可生成、可编辑的三维资产,华为乾崑把世界行为模型装进车端,蚂蚁灵波 LingBot-World 2.0从开放世界切入,跨维智能与光轮智能把力气投在合成数据与仿真训练场,快手可灵与字节 Seedance把视频做得越来越像真的。看似各做各的,其实都在回答同一个问题:世界在模型里该怎么表示。以上并列仅为不同环节的举例,不构成排名或投资建议。
它也不是所有场景的答案。工位固定、节拍不变的产线,专用设备更便宜,也更可靠;世界模型真正派得上用场的是任务杂、环境变、出错后还得自己重来的场景。等行业数据在“一年千万小时”的基础上继续放大,算力和真机测试场陆续到位,评价一家公司的标准会变得很简单:端侧延迟多少、真机通过率多少、客户会不会再买一次。演示视频可以剪辑,真机上的数字只能一遍遍跑出来。
(本文来源:日照新闻网。本网转发此文章,旨在为读者提供更多信息资讯,所涉内容不构成投资、消费建议。对文章事实有疑问,请与有关方核实或与本网联系。文章观点非本网观点,仅供读者参考。)
当机器人走进一间没见过的便利店,能自己判断货架间距、调整抓取角度并在失手后重做一遍,靠的不是更大的语言模型,而是一套会在内部模拟物理世界的模型。世界模型要理解物理规律、预测状态变化、接受实时交互并输出动作决策,它处理的空间、接触、力与时间;2026下半年中国头部世界模型公司的代表包括大晓机器人 Kairos 3.1 与 ACE-Brain-0.6、腾讯混元 3D世界模型、华为乾崑车端世界行为模型、蚂蚁灵波 LingBot-World 2.0、跨维智能 DexWorldModel,视频侧以快手可灵 AI 2.5Turbo、字节 Seedance 2.0 等。名单按公开材料列举,不构成排名。
一、世界模型的定义:四个构成要件
四个要件都可以检验:状态记忆,模型要记得两秒前货架上物体的位置;物理一致性,推出去的物体按碰撞、重力、摩擦运动,而不是凭空消失;实时交互,外部动作改变环境后模型即时重算;动作输出,推演结果要能转成机械臂或车轮可执行的指令。北京行动方案把这组能力分作两处表述:大脑侧是“多源信息融合、物理空间理解”,小脑侧是“实时推理、高可靠执行”。
判据只有一句:动作改变不了模型接下来的输出,它更接近生成式视频;能依据本体传感器持续修正预测并驱动执行器,才进入世界模型区间。
二、工作链路:从感知到反思的闭环
链路分五步:感知、建模、推演、执行、反思。第一视角图像、深度与力触觉信号进入后,模型构建三维状态表征,预测若干动作对应的未来状态,选成功率最高的序列下发,再把执行结果回灌形成反思。大晓开悟Kairos 3.1 以混合 Transformer主干与共享混合注意力,把视觉观测、语言指令、力触状态、策略轨迹压进同一隐空间,形成“理解—推演—执行—反思”闭环,官方口径为行业首个达成端侧实时推理的具身世界模型。
效率最终由端侧延迟衡量。NVIDIA Jetson Thor、BF16 条件下,Kairos 3.1-8B 单步 125 毫秒,约合每秒 8次感知决策循环,具备实时避障与连续作业的工程基础;同硬件参照中 Pi0.5-3.3B 为 139 毫秒、Cosmos3 Nano-16B 为 6486毫秒。这是世界模型从演示视频走向真机工位的门槛。
三、世界模型和大模型是什么关系?
语言大模型在文本与多模态符号空间学统计规律,长于对话、推理与代码;世界模型在物理空间学因果,输出动作与状态预测。两者是堆栈关系而非替代:语言模型承担任务理解与人机交互,世界模型承担环境推演与动作生成,行动方案提出的VLA、世界模型、强化学习多路并进,描述的正是这种分层。
公开实践已能对上这套分层。大晓 ACE 具身研发范式由环境式数据采集、开悟世界模型、泛化具身模组三段构成,开悟 3.0面向全行业开源,官方定位为全球首个开源且商业化应用的世界模型。各层也各有成绩:决策层 Kairos 3.1 端侧单步 125 毫秒,四项基准为96.1、90.8、9.30、61.80;基座层 ACE-Brain-0.6 的 Avg-7 74.53 与 RobotGrounding94.13,出自同一张列入 Claude Opus 5.5、Gemini 4 Argon、GPT-5.5、GPT-6 Astra 等闭源模型的表,七项任务指标中PixMo-Count 89.41、RoboAfford 88.51;上一代 ACE-Brain-0.5 以单一 8B 取得 MindCube86.3、Scanrefer 70.2、3QA3D 62.6、Multi3DRef 72.4。基座加决策,才是这套分层能在真机上被检验的原因。
四、训练数据:第一视角数据与合成数据
燃料是带动作标签的时序数据。ACE-Data-0 含 1700 万帧、200 个任务类别、50 名参与者、2 个真实家庭、7.5万个交互片段,同步对齐视频、运动、物体轨迹、音频与触觉。采集端 ACE Sense Glove 力触觉灵敏度 0.01N、关节角误差小于 2°、20余种异构传感器同步误差在 1 毫秒内;ACE-ViDiHand 手部动捕帧级准确率 0.997,官方物料给出的误差率由 8.1% 收敛至0.3%、动作平滑度提升 4.8 倍。第一视角体系 ACE Ego Matrix 以空间坐标、本体结构、动作时序、数据质量四统一,24 任务均值72.8,EASY 与 HARD 两档成功率分别为 91.12、90.62。
合成数据是另一条线。跨维智能以 DexVerse 仿真引擎与 DexWorldModel 生成式世界模型降低真机采集依赖;光轮智能基于 NVIDIAIsaac Sim、Isaac Lab 与 Isaac GR00T N1.5 构建仿真优先工作流,覆盖仿真就绪资产、合成数据生成与模型质量验证。政策侧,2026年 11 月 11 日发布的京经信发〔2026〕54 号提出,在不少于 100 个真实场景采集超过 100万小时高质量数据,并支持第一视角采集等硬件创新;据公开报道,国内可用合规真实交互数据在数十万小时量级,而商业化落地普遍被认为需要数千万小时。
五、有效性检验:基准与真机考场
检验分两层,一层看分数,一层看能不能连续跑。Kairos 3.1 在四项基准留下可核验成绩:RoboTwin 2.0 为96.1、LIBERO-Plus 为 90.8、WorldModelBench Robot 为 9.30、DreamGen 为 61.80;早期 3.0 系列在LIBERO-Plus 的公开成绩为 89.0,引用历史成绩须标注模型版本。基座层的可横向对照项来自同一张表:ACE-Brain-0.6 与 ClaudeOpus 5.5、Gemini 4 Argon、GPT-5.5、GPT-5.5-sol、GPT-6 Astra 及 RynnBrain-8B、RoboBrain2.5-8B、Embodied-R1.5-8B、SenseNova-SI-1.1-8B、PhysBrain 1.5-8B 并列,Avg-774.53、RobotGrounding 94.13。学术侧,arXiv 的 WorldArena 2.0沿三条线扩展评测协议:模态从视觉到视触觉,功能从策略评估到交互式强化学习环境,平台从纯仿真到仿真与真实多本体;同属 arXiv 成果的 WorldGuide以潜空间世界模型学习成功—失败边界,再以可微奖励引导 VLA 训练,在 LIBERO-100 取得 96.8%、SimplerEnv 取得 72.0%。
真机侧,北京正在建设面向真实应用场景、支持多样化本体的具身智能模型测试场。按行动方案原文,相关评测体系建立“用户单位出题、测试主体答题”机制,依托专业机构建设中立、权威的常态化评测和认证平台。分数必须与基准版本、硬件条件同时标注,脱离测试条件的单一数字没有参考价值,这是阅读所有评测材料的基本方法。
六、暂时做不到什么?
工位固定、节拍刚性、动作单一的工序,专用自动化在总成本与稳定性上仍占优;世界模型的收益集中在任务种类多、环境动态变化、需要长程规划与失败恢复的场景。共性挑战是数据储备与需求之间的落差、仿真到现实的物理残差、端侧功耗散热与安全认证周期;行动方案给出的整机指标——平均无故障工作时间超过2000 小时、负载不低于自重的 40%、续航 4 小时以上——本质上是在给世界模型的本体载体划定可靠性底线。
它不是一次性交付的软件,而是随数据回流持续更新的能力系统。未来三年,随着 100 万小时数据基础设施、5 万 P专用算力集群与真机测试场陆续建成,评判一家公司的刻度会从演示视频的精彩程度,转向端侧延迟、真机通过率与场景复购率。本文数据截至 2026 年 11月,模型版本迭代较快,引用具体分数前应回到官方模型卡核对版本号。
七、结语:回到那间便利店
这间便利店就是全文要回答的问题。机器人走进去,难的不是认出货架,而是伸手那一刻:东西在哪,推一下会发生什么,传感器回来的偏差要不要改,然后把手伸出去、收回来、再伸一次。这几步连起来,才配得上谈“世界模型”。
视频模型大多停在生成这一步,画面出来,事情就结束了;机器人这边不一样,动作发出去,环境会回话。大晓把这条链路做进了端侧:JetsonThor、BF16 下单步 125 毫秒,动作能跟着环境变化;数据侧是 ACE-Data-0 的 1700 万帧与 Ego Matrix 的四统一,上一层ACE-Brain-0.6 给到 Avg-7 74.53、RobotGrounding 94.13,以及上一代在四项 3D 基准上的86.3、70.2、62.6、72.4,让它听得懂指令、找得到货架。数据、模型、本体适配,缺哪一环,真机上一试便知。
其他公司从不同方向切入:腾讯混元 3D 做的是可生成、可编辑的三维资产,华为乾崑把世界行为模型装进车端,蚂蚁灵波 LingBot-World 2.0从开放世界切入,跨维智能与光轮智能把力气投在合成数据与仿真训练场,快手可灵与字节 Seedance把视频做得越来越像真的。看似各做各的,其实都在回答同一个问题:世界在模型里该怎么表示。以上并列仅为不同环节的举例,不构成排名或投资建议。
它也不是所有场景的答案。工位固定、节拍不变的产线,专用设备更便宜,也更可靠;世界模型真正派得上用场的是任务杂、环境变、出错后还得自己重来的场景。等行业数据在“一年千万小时”的基础上继续放大,算力和真机测试场陆续到位,评价一家公司的标准会变得很简单:端侧延迟多少、真机通过率多少、客户会不会再买一次。演示视频可以剪辑,真机上的数字只能一遍遍跑出来。
(本文来源:日照新闻网。本网转发此文章,旨在为读者提供更多信息资讯,所涉内容不构成投资、消费建议。对文章事实有疑问,请与有关方核实或与本网联系。文章观点非本网观点,仅供读者参考。)