文章摘要
专注真实机器人任务的具身智能研发团队推出DELE-w0.5世界动作模型，该项目已获天使轮融资，相关研究资料与技术论文公开。该模型针对传统视频驱动世界模型的缺陷，改为仅预测动作执行后的最终世界表征，未来表征仅参与训练不进入推理。真机测试显示其任务成功率、推理速度优于多数主流基线，具备初步跨背景泛化能力，为具身智能世界模型提供了新思路。

当机器人准备将爆米花包装放进微波炉时，实验人员意外关上了炉门——此前的训练数据中从未出现过这种场景。但机器人没有放弃任务，而是稳稳握住包装，重新打开炉门继续完成操作。类似的，当微波炉门仅留下狭窄缝隙时，机器人也没有拘泥于训练中学到的把手操作流程，直接用手中的包装推开了炉门。这种基于任务目标的自适应行为调整，正是全新发布的世界动作模型DELE-w0.5的核心展示能力。

这款模型由专注于真实机器人任务进化的具身智能研发团队推出，团队核心成员长期深耕生成式策略、强化学习与具身智能领域，围绕真机任务自主研发了DELE系列具身大脑模型，目前已获得专业投资机构的天使轮融资。

为何传统视频驱动的世界模型会成为机器人控制的负担？

当前主流的机器人基础模型大致分为两大路线。第一条是视觉-语言-动作模型（VLA），这类模型接收语言指令、多视角当前观测与机器人本体状态，直接输出可执行动作：先通过视觉语言模型完成任务规划，再由动作专家将规划解码为控制信号。其优势在于链路直接，但模型仅能学习当前观测与动作的映射关系，动作对环境的影响被隐含编码在参数中，缺乏明确的环境状态预测能力。

第二条路线是世界动作模型（WAM），其中基于视频生成的WAM会同时预测机器人动作与完整的未来视觉轨迹，通过未来画面学习物体运动、空间变化与接触关系，获得更丰富的时空先验。但这类模型的核心问题在于，机器人控制不需要复现每一个中间时刻的视觉细节，只需预测动作执行后的最终环境状态。中间帧仅描述视觉过渡，不仅占用大量模型容量与计算资源，还无法直接刻画动作的物理结果。

以开门任务为例，机器人真正需要达成的是稳定抓住把手、旋转并推开炉门，最终让门保持在指定角度，而非还原机械臂在每个时刻的外观变化。多帧视频的潜在表征远大于动作序列，会增加模型的序列长度、显存占用与训练负担，推理阶段还需要对高维视频与动作潜在表征进行多轮去噪，直接限制了机器人的控制循环速度。近年来虽有研究通过小型视频骨干、稀疏视频token等方式降低开销，但核心建模目标仍未脱离完整视频轨迹的预测。

DELE-w0.5跳出了这一思路，重新思考机器人控制中世界模型的核心预测目标：我们需要的不是完整的未来视频，而是动作执行后的最终世界表征。

开门任务的核心结果是门保持打开状态；向杯中加冰的目标是冰块进入直立杯子，工具回归指定位置；从冰箱取可乐则需要确保目标饮料被取出，且冰箱最终关闭。这些结果都可以通过紧凑的未来世界表征来刻画，而非逐帧的视觉画面。

由此，三类机器人模型形成了清晰的预测差异：VLA仅预测当前条件下的动作，视频式WAM联合预测动作与完整未来视觉轨迹，而DELE-w0.5则联合预测动作与动作完成后的未来世界表征，既保留了环境状态预测的优势，又大幅压缩了需要处理的未来信息，使其更贴近机器人的控制目标。

未来世界表征仅参与训练，推理阶段无需调用

DELE-w0.5采用双流Transformer架构，整体流程分为训练与推理两个阶段。

训练阶段中，模型接收语言指令、机器人多视角图像与本体状态：语言指令由Qwen3编码，视觉信息由DINO-v3编码，包含头部视角与两个腕部视角。在动作侧，模型一次预测长度为60的动作序列，针对Astribot S1双臂机器人，每个时间步包含14维动作，覆盖两只机械臂的位置、姿态与夹爪状态。

模型内部包含条件流与噪声流：条件流处理语言与当前视觉信息，将二者融合为统一的条件表征；噪声流则处理带噪声的动作序列与未来世界表征，通过Flow Matching同时学习动作去噪与未来状态去噪。未来世界表征并非生成的完整图片，而是DINO-v3对未来观测的潜在编码，用于表征物体位置、机械臂状态与空间关系等核心信息，模型仅需在潜在空间学习状态变化，无需还原视觉画面或生成中间视频帧。

为避免动作预测提前获取未来信息，DELE-w0.5设计了非对称注意力机制：训练过程中，动作token只能读取语言、当前观察与动作序列内部信息，无法访问未来状态目标；而未来世界表征token则可以读取所有相关信息，学习“执行该组动作后，环境会进入何种状态”的映射。未来世界表征的损失通过共享参数参与模型训练，帮助模型建立动作与环境变化的关联，但不会成为推理阶段的必要步骤。

进入推理阶段后，未来世界表征token被完全移除，模型仅保留语言、当前观察与动作分支，机器人无需生成未来图片或等待视频去噪，控制链路大幅缩短。值得一提的是，DELE-w0.5未使用开源机器人基础模型、VLA或视频生成模型的预训练权重进行二次封装，核心基座从底层自研，模型结构、可行动世界状态表征、具身数据配方与本体适配均围绕真机任务设计。

实测数据显示，DELE-w0.5在英伟达RTX 4090上的推理延迟中位数为87.5毫秒，推理速度优于GWP0.5、π0.5、LingBot-VLA2与HY-VLA，与Spirit-v1.5接近，但完整任务成功率显著更高。

从具身智能视角看，DELE-w0.5改变了什么？

DELE-w0.5与视频WAM的核心差异，不止是生成帧数的减少，更是模型依赖关系的根本转变：视频生成关注观察空间的连续视觉变化，而机器人控制关注物理世界的可执行结果。以“打开冰箱取出饮料”任务为例，机器人真正需要保障的是：冰箱门已打开、目标饮料已取出、物体当前持有状态正确、前置状态未被破坏，最终达成“饮料在手中且冰箱关闭”的目标，而非复现冰箱门打开过程中的每一个视觉瞬间。

因此，未来世界表征分支的价值不仅是提供额外的训练监督，更是迫使策略学习结果导向的状态转移表征：判断一个动作是否正确，不仅要看其是否符合示范动作，更要看其能否将环境推进到与任务目标一致的最终状态。

真机效果验证

未来世界表征的有效性最终需要通过真机任务检验。研发团队在Astribot S1双臂机器人上设置了四项长程任务：带把手门的开启、冰箱取可乐、向杯中加冰、将爆米花包装放入微波炉并启动加热，覆盖了接触式操作、目标提取、双手交接、工具使用、受限空间放置与最终状态确认等多种场景。

实验对比了DELE-w0.5与GWP0.5、XR0、π0.5、LingBot-VLA2、HY-VLA、Spirit-v1.5、GR00T-N1.7七种代表性策略，所有方法使用相同的任务数据进行等量微调，采用一致的任务指令、场景重置方式、180秒执行预算与成功标准。每项任务每个方法进行20次正式测试，总计640次真机实验。

为准确衡量长程执行能力，技术报告采用两项核心指标：一是完整任务成功率，即机器人满足最终物理条件才算任务成功；二是有序阶段进度，记录机器人连续完成的任务阶段，前置步骤未完成时，偶然动作不会被计入进度，避免单次成功抓取掩盖后续执行问题。

实验结果显示，DELE-w0.5在80次自身测试中完成50次，完整任务成功率达到62.5%，而表现最强的基线XR0仅完成24次，成功率30.0%，DELE-w0.5的成功率高出32.5个百分点，约为其2.1倍。在平均有序阶段进度上，DELE-w0.5达到81.3%，表现最好的基线GWP0.5为61.3%，差距达20.1个百分点。

分任务来看，DELE-w0.5的开门成功率为80%，冰箱取可乐为65%，杯中加冰为45%，微波炉爆米花任务为60%，四项任务均取得最高结果。真正的差距出现在任务后半程：多数基线能够完成前期的抓取或接触步骤，但在技能衔接处容易失败，而DELE-w0.5更频繁地抵达任务后半程，更容易将阶段性进展转化为完整成功。

以开门任务为例，DELE-w0.5的20次测试全部抵达旋转把手并推门的阶段，最终完成16次；冰箱取可乐任务中，18次成功取出目标罐，13次完成全流程，失败主要出现在双手交接与最终关门环节；杯中加冰是四项任务中最长的，19次成功拿起冰铲，14次进入抓取阶段，11次成功取得冰块，最终9次完成倾倒与场景恢复；微波炉任务中，机器人每次都能打开炉门并拿起包装，16次完成关门，12次成功启动加热。

这项62.5%的完整任务成功率是亮眼的结果，显著超过同数据同协议下的代表性基线，证明了这条技术路线的潜力。当然，距离工业级稳定部署，模型仍需进一步提升成功率，并接受更开放环境的检验。

研发团队还测试了DELE-w0.5的zero-shot跨背景能力。从杂乱的办公工位到开阔的会议室，在桌面材质、空间布局、光照与视觉背景发生显著变化的环境中，DELE-w0.5仍能顺利完成微波炉操作与杯中加冰任务，无需依赖固定场景或记忆特定背景，已经具备了初步的跨背景泛化能力。

结语

世界模型的价值最终由机器人能否完成任务来检验，画面生成的真实程度仅代表模型对视觉过程的还原能力，而动作能否围绕任务目标展开、承接前一步结果，并将环境推进到正确终态，才更贴近真实部署的需求。

对于具身智能而言，最有用的未来信息未必是一段可观看的视频，也可以是无需完整视觉复现，但足以融合真实物理空间信息、用于约束行动的世界表征。DELE-w0.5正是沿着这个方向迈出了重要一步，其意义不在于终结路线之争，而是为世界模型提供了全新思路：不再以生成视觉过程为中心，而是以机器人的行动结果为中心。未来，DELE-w0.5将为跨物体、跨场景与跨本体等任务提供新的研究方向，真机部署的实际效果将进一步检验这条技术路线的发展潜力。

以上内容不代表本平台立场，仅供读者参考