文章摘要
代码类智能 Agent 有自反馈闭环，具身智能却缺乏。原力灵机推出具身世界模型 DW0.5，接入具身智能后训练框架 DFOL2.0。它支持多模态输入，适配不同机器人，由三大专家模块组成。其构建的闭环让后训练真机数据需求降 60%、成本降 40%，提升复杂任务关键步骤成功率，还在基准测试获佳绩，已投入内部应用。

为什么代码类智能Agent能在近两年实现爆发式增长？核心原因在于它天生自带完美的自反馈闭环：写好代码后可以直接通过编译器验证正确性，奖励信号清晰明确，为后训练阶段的自主迭代提供了绝佳的基础条件。而同为AI赛道的热门方向，具身智能却始终缺少这样的「神助攻」。

物理世界的复杂度远高于代码运行的虚拟环境，具身智能无法通过简单工具快速验证效果，反馈信号模糊且成本高昂，每次真机试错都伴随着人力和硬件的真实损耗。早期受到关注的视觉-语言-动作模型（VLA）路线，很快暴露出物理理解缺失、泛化能力薄弱、长时序规划能力不足等问题，无法覆盖所有实际场景。随后世界模型成为行业新的热点，但目前来看也并非万能的解药。

我觉得特别愚蠢的一件事情是在「技术路线」上给自己贴标签。这件事情是特别蠢的。
应该以目标导向。你要解决什么问题，挑选对应的方法去解决它，而不是说我是什么方法的、什么流派的，为此来证明只有我才是标新立异的。

原力灵机的相关负责人表示，团队在今年年初意识到可以将世界模型融入具身智能的后训练环节，经过半年的研发，在近期推出了旗下首款具身世界模型DW0.5，并将其接入世界模型驱动的具身智能后训练框架DFOL2.0。

据原力灵机联合创始人汪天才介绍，这款基模支持任务指令、图片、视频等多模态输入，还可以适配不同类型的机器人，能够基于历史动作预测后续的视觉状态。DW0.5基于上万小时的真机多视角数据完成联合预训练，拥有极强的仿真能力，不仅可以生成机械臂正常作业的视频，还能还原任务失败的场景，为DFOL2.0的在线强化学习训练提供核心支撑。

具身智能属于物理AI，其核心目标是让机器人在不同环境、物体和失败场景下持续进化，但此前的后训练飞轮始终无法高效运转。真机一次测试需要占用机器人、场地和人工，一次动作失败还可能直接中断任务；人工反馈虽然更贴近真实判断，但无法高频覆盖每个中间状态；传统仿真环境成本较低，却难以完整复刻现实中的接触、遮挡、反光、形变等不确定性因素。

基于这些现状，原力灵机提出，VLA模型需要一个介于真机、人工反馈和传统仿真之间的训练环境：既要足够便宜、支持高频探索，又要尽可能贴近真实的操作过程。团队最终敲定的解决方案思路是：通过真实的测试数据校准世界模型，让世界模型支撑低成本的大规模环境和数据生产，再将优化后的策略放回真实环境中验证并收集新的数据。而DW0.5就承担了原力灵机VLA模型（DM0.5）后训练中的Learned Environment角色。

DW0.5能够预测动作执行后的未来状态，生成失败轨迹，并对任务进度进行打分。它由Video Expert、Action Expert、Value Expert三大专家模块组成能力链路：Video Expert和Action Expert共同负责动作后果的预演，Value Expert则负责价值评估和反馈构造。

在多数世界模型中，动作信息只是附带的条件输入，但DW0.5将动作作为结构性强先验：必须明确机械臂的移动方向才能预测合理的后续画面。模型将动作作为视频生成的一等条件，通过结构化的帧级对齐进行强制绑定，在MoT注意力机制中，将动作序列与视频序列拼接，并使用group-diagonal attention mask切断非对应视频帧和动作之间的信息通路，让向左推和向右推的动作从一开始就走向完全不同的计算路径。

主流的VLA模型通常只做从观测到动作的映射，而像DW0.5这类以视频预测作为辅助监督的模型，理论上能够学到更强的因果动态理解。仅用成功轨迹训练的模型容易产生过强的成功偏置，无法识别错误动作，更无法为强化学习提供惩罚信号，而失败轨迹的数据对后训练至关重要。因此DW0.5被设计为能够生成任务失败的视觉轨迹，让Value Expert可以对比成功与失败的差异，给出有区分度的打分。团队的数据策略围绕模拟失败展开，让模型既能学习正确的操作流程，也能理解错误操作对应的物理变化。

DW0.5的训练数据包含四类：具身公开数据与自采机器人数据（包含遮挡、接触、延迟等真机噪声）、互联网视频数据（补充开放世界动态）、第一视角人类活动数据（迁移真实物理交互后果）、真机与仿真测试数据（覆盖偏离、卡住、恢复等中间状态）。这也是DW0.5从“视频世界模型”走向“训练环境”的关键一步。

Video Expert模拟动作后果，Value Expert将后果转化为可优化的信号，两者结合构成完整的强化学习训练闭环。Value Expert可以对当前状态、候选轨迹或整段测试过程给出成功概率或任务价值评估，将稀疏的任务结果信号转化为每一步都可用的中间反馈。

在闭环系统中，Value Expert可以用于三大场景：一是候选动作筛选，为多个测试结果打分，让VLA选择更可能成功的未来路径；二是作为强化学习后训练的奖励信号，在世界模型环境中对VLA进行策略优化，无需频繁占用真机资源；三是部署时的在线监测，当发现当前状态偏离成功路径时，及时触发重新规划或失败恢复。根据披露的数据，DW0.5的Value-Order Correlation达到95%以上。

三大模块共同服务于同一个闭环，让DW0.5在VLA的训练和部署中承担三种核心角色：离线数据增强与偏好构造、强化学习后训练环境、部署时的规划与安全评估。

依托DW0.5训练-调优-部署的全闭环赋能能力，模型在工程化泛化表现方面同样出色：

  • 高阶指令与多步动作跟随：能够精准理解“拿起铁锤、举至空中并保持稳定”等高难度多步长指令，还可以流畅实现跨构型的动作跟随。
  • 多维连续泛化：在复杂长尾场景中，展现出强大的跨环境、跨任务、跨构型的泛化生成能力。
  • 多视角强一致性：在模拟生成机器人前视、左腕、右腕等多相机流时，拥有完美的空间和时序一致性。
  • 动作-视频生成高度一致性：能够直观理解人类的双手操作视频，并将其流畅且等效地转化为机械臂的操作轨迹。

了解了架构和原理后，我们可以清晰看到DW0.5的具体应用流程：整体来看，基础策略模型DM0.5先生成一批初始动作，传递给世界模型DW0.5；DW0.5作为仿真器，在虚拟环境中运行这些动作，批量生成成功和失败的轨迹；随后由强化学习教练员CFG-RL为每条轨迹的任务进度打分，成功轨迹的价值逐步走高，失败轨迹的价值则断崖式下跌；打分和奖励实时回传，更新模型权重，得到更强的DM0.5模型。这个循环中的大部分数据由DW0.5在线生成，无需全部依赖高成本的真机反复测试。

这套流程可以让后训练中真机数据的需求骤降60%，整体训练成本下降40%。

实际测试效果同样亮眼：在打气球、晾衣服、叠纸盒等高难度复杂任务中，接入DFOL2.0的模型相比单纯监督微调（SFT）的基线模型，关键步骤的成功率有了显著提升。

  • 打气球任务：“给气球打气”这一步的成功率从10%升至90%；“气筒插入气球”的成功率从10%跃升至100%。
  • 晾衣服任务：“成功挂上衣架”这一长时序操作的SFT成功率仅50%，DFOL2.0加持下翻倍至100%；“衣架塞入衣服”的成功率也从60%提升到了90%。
  • 叠纸盒任务：“叠右侧纸盒”和“叠左侧纸盒”两大难点步骤，成功率分别从35%拉升到了55%和50%。

在基准测试方面，DW0.5在EWMBench、WorldArena等榜单中斩获全球SOTA成绩，分别以4.73、73.54的分数登顶（数据截至7月9日）。

真实部署进展方面，DW0.5已经在内部跑通具身后训练闭环流程DFOL 2.0，开始承担数据生成、价值评估和策略迭代工作。同时，这套技术能力已接入原力灵机推出的DexDev MaaS（Model As a Service）平台，对于特定具身场景中零样本泛化能力不足的模型，可通过后训练补足能力后接回平台服务。

原力灵机联合创始人汪天才强调，真机数据的价值无可替代，团队只是用世界模型降低了训练成本，目前世界模型仍然需要真机数据进行校准。

当被问及世界模型在具身智能领域的其他应用想法时，团队表示，随着视觉模型能力的不断提升，现场人员可以借助第一视角相机采集操作数据，减少对专业真机采集和复杂后训练团队的依赖，降低现场后训练的门槛。

GitHub
https://github.com/dexmal/opendw
Hugging Face
https://huggingface.co/Dexmal/DW05-Base

以上内容不代表本平台立场，仅供读者参考