反骨世界模型：训练即退 赋能工业具身智能
在具身智能的研发流程中，世界模型常被视作机器人随身携带的“脑内沙盘”——机器人会借助它提前推演动作可能带来的后果，再据此规划下一步操作，不过推演越细致，对应的推理链路也就越长，会带来额外的算力和时延成本。但近期推出的一款世界模型方案却打破了这一常规逻辑，它只在训练阶段参与机器人的学习过程，等到机器人正式投入作业时，便会主动从部署链路中退出，最终反而让机器人的实际作业能力得到了显著提升。
这款方案由国内具身智能研发团队联合清华大学相关课题组推出，被命名为Phi-WM 1.0 ActEffect（下文简称ActEffect），它试图解决具身智能领域长期存在的一个核心矛盾：机器人通过演示数据学会了动作的基本形态，但如何利用动作可能带来的实际后果，反过来优化自身的动作策略？
机器人从演示数据里学会了动作长什么样，能否进一步利用动作可能造成的后果，反过来改善自己的策略？
这一问题最终需要落地到真实的工业场景中。传统工业机器人每多运行一层模型推理，就会对应新增的时延、算力投入和运维成本。如果世界模型能够只在训练阶段发挥作用，在执行阶段保持轻量无负担，那么技术价值才能真正转化为可落地的部署价值。
从公开的测试结果来看，这一方案的表现超出了预期。在LIBERO基准测试中，ActEffect取得了98.8%的平均任务成功率，仅比同类型方案高出0.2个百分点，但更关键的是，引入后果反馈后，机器人的基础操作能力并未出现退化；在加入七类分布偏移的LIBERO-PLUS测试中，ActEffect的平均成功率达到80.3%，远超对比方案的51.5%；而在29维动作空间的RoboCasa-GR1测试中，面对拥有双臂、灵巧手和腰部自由度的GR-1人形机器人，ActEffect的平均成功率达到67.5%，比第二名高出9.2个百分点，比Fast-WAM高出10.8个百分点，在高维度动作空间的复杂任务中，后果反馈的优势体现得尤为明显。
ActEffect的技术突破，本质上是对传统模仿学习范式的优化。当前多数通用机器人策略都基于VLA框架构建，通过摄像头获取视觉信息、结合语言指令生成动作，训练过程中以和示范动作的相似度作为评分标准。但在真实物理场景中，“动作接近示范”和“结果符合预期”之间往往存在明显差距：夹爪早闭合一毫秒可能导致零件抓握不稳，手腕角度偏移几度就会让插接作业失败，看似细微的数值差别，最终可能带来完全不同的作业结果。
针对这一问题，ActEffect没有继续延长机器人的思考链路，而是让策略同时生成三份完整的动作提案：第一版来自前馈分支，相当于机器人的第一反应；第二版由MIP动作头生成的粗粒度提案；第三版则在第二版的基础上进行精修，最终成为即将执行的动作。这三份提案都具备完整的可执行性，避免了传统扩散、流匹配策略中中间状态带噪、无法直接用于模型推演的问题，让机器人可以在统一的起点下对比不同动作的实际效果。
接下来，受控世界模型正式登场。它会接收当前的视觉状态和单份动作提案，推演该动作执行后场景会发生的变化，三份动作提案需要分别完成一次推演，相当于让机器人在训练环境中提前预览三次执行结果。这里有一个关键的设计细节：语言指令仍由VLA策略处理，用于明确机器人的任务目标，而受控世界模型仅关注当前视觉画面和动作本身，不读取任务语言指令。比如同样是推动杯子，无论指令是“挪开杯子”还是“清理桌面”，模型只会根据当前杯子的位置、周围环境和施加的动作，推演物理变化的结果，不会受到任务语义的干扰。
除此之外，ActEffect还将未来状态的推演限定在冻结的DINOv3视觉特征空间中，它不需要生成逼真的未来画面，只需要捕捉物体的位置、姿态和场景结构的变化，这也是“物理原生”这一概念的核心落点：任务语义由VLA模块处理，而动作带来的物理状态变化则被单独拆分出来进行学习。
推演完成后，还需要将结果反馈给策略进行优化。训练数据中本身就包含动作执行后的真实观测结果，受控世界模型会将三份提案的推演结果与真实未来逐一对比，要求精修后的提案比粗提案更接近真实结果，而粗提案也要优于第一版前馈提案。为了避免模型通过刻意降低差提案的表现来凸显好提案，ActEffect还为排序损失加入了梯度截断，确保训练过程只会推动好的提案更接近真实未来。
经过这样的反馈学习，世界模型对动作后果的判断会被写入策略的权重中。当机器人正式上岗时，受控世界模型和未来推演分支都会被移除，只保留MIP动作头完成粗提案生成和精修，整个部署链路变得极为轻量。
为了验证各模块的有效性，团队还进行了消融实验。当移除后果反馈模块时，LIBERO基准的平均成功率从98.8%下降到97.0%；将DINOv3特征空间替换为VLM表示时，成绩为97.3%；而如果拿掉排序损失，成功率则回落到98.1%。这几组实验结果充分证明了ActEffect训练范式的有效性。
到这里，我们就能理解为什么这款世界模型会选择在部署时退出。在实验室环境中，具身智能的评价维度通常只有任务成功率，但一旦进入真实生产场景，这一评价体系就会发生根本性变化。在仿真环境中多运行一层模型，可能只是表格中的一项计算开销，但将同样的链路搬进汽车工厂，每一次推理都会成为产线的实际成本。不仅如此，当方案从单台机器人复制到几十上百个工位时，额外的显卡投入、功耗成本和维护工作量都会变成实打实的负担。
ActEffect将受控世界模型留在训练阶段，恰好避开了这部分在线开销。它从现有的演示数据中挖掘出了额外的监督信号，让机器人提前获得动作后果的经验，而在正式作业时不需要再背负整套世界模型的计算压力，真正实现了“训练时多想一会儿，部署时轻装上阵”。
选择这一技术路线，和研发团队的落地场景密切相关。汽车制造场景中存在大量散乱件上下料、复杂曲面质检等任务，传统自动化设备通常围绕固定工位开发，一套夹具和轨迹只能服务单一零件，一旦零件位置变化或操作空间变窄，原本稳定的流程就会失效。具身智能正是要填补这一适应性能力的空白。
目前，该团队已经围绕焊接上下料、移动质检等典型高价值工位完成了真实场景验证，并与多家国内外头部汽车企业展开商业合作。在2026年行业展会上，团队将自研的Phi-Bot X1机器人投入到某头部车企的焊接上下料场景中，连续运行3天，累计作业21.5小时，期间零失误、零中断。
ActEffect已经在三项仿真基准上完成了训练验证，而真机验证的接力棒则交到了Phi-Bot X1手中。此前21.5小时的记录来自整套工业具身系统，接下来ActEffect将沿着这条真实链路继续接受验证。值得一提的是，该团队兼具学术研究和汽车产业工程经验：公司成立于2025年4月，由清华大学车辆与运载学院和人工智能学院联合孵化，创始人兼CEO拥有清华大学博士和米兰理工大学博士后背景，此前曾担任知名地图产品的技术负责人，相关技术已进入汽车量产体系；联合创始人长期从事自动驾驶与具身智能研究，多项技术已实现产业应用。
因此，该团队不仅专注于强化学习和世界模型的研发，同时也在搭建机器人本体、数据算法体系和开发平台。在工业场景中，模型只是整套系统的一环，硬件需要能够承受连续运行的压力，系统需要便于部署，出现问题时需要能够快速维护，任何一个环节的缺失都会让算法的纸面成绩无法真正落地到产线。
过去两年，具身智能领域从不缺少令人惊艳的演示视频：机器人可以奔跑、跳跃、叠衣服，也能听懂复杂的语言指令。但一旦进入客户现场，演示视频中的几十秒操作就会被拉长为一天、一个月甚至一整年的连续运行。工厂不会仅凭一项基准测试成绩就签字验收，交付后每一次失败都可能导致产线停摆和维修工单，具身智能企业的差距也正是在这一过程中逐渐拉开。
机器人首先需要在约定时间内完成正式交付，随后还要通过节拍、精度、安全性、故障率等一系列验收指标。通过这一关后，还需要将能力从一个工位迁移到相似工位，从一家工厂复制到更多工厂。随着复制规模的扩大，另一个问题也会随之而来：每更换一个客户，方案需要重新定制多少？部署需要花费多长时间？机器人和算力的投入，能否被节省下来的人力和停线损失覆盖？
这也正是ActEffect将世界模型留在训练场的商业价值所在：如果后果反馈能够让真机上的策略更加稳定，同时又能省去执行阶段的世界模型开销，那么当机器人复制到更多工位时，算力成本不会随着推理链路一同膨胀。对于准备大规模部署的工业系统来说，这比单次演示中多完成一个动作要实在得多。
不过这一推论目前还缺少真机的完整数据支撑。该团队已经完成了部分真实场景验证，并与头部车企达成了商业合作，他们选择的工位有着明确的落地需求，团队兼具的学术和产业经验也让他们有机会继续向交付环节推进。但验收和规模化复制仍需要一关一关地通过：Phi-Bot X1在真实产线上的稳定表现、将同一套能力复用到新的车型、零件和工位、持续压低部署与运维成本，这些都将决定合作的长远发展。
ActEffect这款看似“反骨”的世界模型，已经在训练场中完成了第一轮测试。未来，它需要在产线上顶住节拍、误差和日复一日的连续运行，这才是更具挑战性的一场考试。
随着VLA、WAM等技术边界的不断拓展，各类方案也会互相吸收融合。对客户来说，这些技术缩写终究只是手段，他们是否愿意验收、方案能否快速复制、成本账是否划算，才是更直接的评判标准。
