2026 年 8 月底，一家名为自变量机器人的中国创业公司发布了一款叫 WALL-SS 的「世界模型」，并公开了论文和全部代码。这家公司做的是「具身智能」——让 AI 拥有身体，能感知并操作物理世界。WALL-SS 的作用是给机器人建一座虚拟训练场：机器人先在虚拟环境里把动作预演一遍，看看会不会抓空、碰倒东西，再决定真机怎么干。论文给出的对照数据是这件事最值得关注的地方：600 组虚拟与真机对比实验中，虚拟世界里选出的较优动作方案，有 89% 与真机测试的优劣判断一致。也就是说，机器人的「梦」第一次能拿来筛选真机动作，而不是看完就忘的动画片。

世界模型：机器人脑中的预演系统

什么是世界模型？它是机器人脑中的预演系统：输入当前画面和一组准备执行的动作，它预测接下来会发生什么——机械臂往左移 1 厘米，杯子会被抓住还是被碰倒；抽屉开着，下一步是取物还是先调手腕角度。机器人可以同时比较多个「未来」，再选最稳的一条。这件事之所以重要，是因为真实世界没有固定跑道：杯子被人挪了一点、桌面多出一块抹布，训练好的动作就可能失效。在真机上反复试错既花钱又有风险，能在虚拟世界先筛一遍，就成了机器人行业降低试错成本的关键。

过去的世界模型为什么不可靠

但过去不少世界模型并不可靠。训练数据大多来自成功示范，模型容易走捷径：看到夹爪闭合就默认物体被抓起来了，哪怕中间还有空隙，生成画面里的物体也会自动「贴」进夹爪——论文把这种错误叫做「磁铁式抓取」。推演时间一长，误差还会不断累积，物体越偏越远；只留最近几帧会失忆，全留又撑爆显存。更要命的是，虚拟画面再逼真，也不代表选出的策略（机器人执行任务的动作方案）在真机上真的更好。WALL-SS 要突破的正是这三点：动作是否真正改变结果、长任务能否保持连贯、虚拟成绩是否经得起真机检验。

WALL-SS 的三招：分层生成、摘要记忆、带错训练

WALL-SS 的解法有三招。第一招叫「下一尺度自回归」：「自回归」就是按顺序一段接一段地预测，先看已发生的、再推下一步。WALL-SS 预测画面时先搭一版低清预览定大方向——手臂往哪走、物体大概怎么动——再逐层调清，补上物体轮廓、夹爪开合和接触位置，每清晰一层，动作就再影响一次未来。第二招叫「尺度压缩的长时间跨度记忆」：像一份会自动整理的工作记录，刚发生的动作保留细节，更早的历史压缩成摘要，既不「断片」也不必背下每一帧。第三招叫「逐尺度梦境强迫」：训练时故意给历史信息加入扰动，要求模型在带错的信息上预测正确未来——相当于让机器人平时就在「有小错误的梦」里继续走，学会别把小错滚成整段崩溃。

评测数据：动作敏感度与轨迹精度领先

评测数据上，衡量「画面是否随动作改变」的动作敏感度，WALL-SS 得 0.290，英伟达的对比模型 Cosmos 3 只有 0.044，其余模型为 0；衡量「生成机械臂是否沿给定路线走」的轨迹精度，WALL-SS 得 0.539，是全部对比模型中的最高分。连续推演 60 秒的倒水和物品整理任务里，逐帧轨迹误差保持在画面对角线长度的 0.5% 以下。去掉「梦境强迫」训练后，长期状态一致性持续下降；只保留最近片段的简化版本，在 20 至 30 秒后开始明显恶化——这些消融实验说明，WALL-SS 的长时间连贯来自方法本身，而不是视频看上去顺眼。

虚拟与真机对照：600 对实验、89% 一致

虚拟成绩与真机是否一致，团队做了对照实验：把 5 个不同训练阶段的策略、6 项任务、20 组匹配初始状态，分别放进 WALL-SS 和真实机器人执行，共得到 600 对闭环结果。其中 527 对最终成败一致；虚拟世界里选出的较优版本，有 89% 的优劣关系与真机测试相同；30 个「任务×策略版本」组合的成功率对比，虚拟与真机结果的相关系数为 0.926，平均绝对误差为 0.062。这里的 0.926 衡量的是两组结果的整体变化趋势一致，不能理解成单次预测有 92.6% 的命中率。团队的态度也很克制：世界模型不必取代真机测试，能先筛掉明显更差的策略版本，就已经省下大量现实试错——这像汽车碰撞仿真，不会取消最后的实车碰撞，但能少撞几台真车。

从分拣直播到虚拟训练场

这不是自变量机器人第一次把机器人往真实场景里推。此前它发布的 WALL-B 双臂机器人在一次物流分拣直播里，用标准夹爪处理纸箱、软袋、圆柱形快件和泡沫封装生鲜等随机包裹，完成了 1911 件有效分拣，准确率超过 98%。WALL-SS 让这类机器人上工位前先在虚拟世界检查：会不会抓空、会不会碰撞、连续作业会不会逐渐跑偏——对按吞吐量和停机时间算成本的仓库，这套虚拟筛选有机会减少设备占用和现场复位。

王兴兴的 80/80 判断：具身智能的「ChatGPT 时刻」

行业里对「机器人什么时候真正走进生活」也有一个参照：宇树科技创始人王兴兴最近判断，具身智能的「ChatGPT 时刻」——机器人能在约 80% 的陌生场景中，仅靠语言或文字指令完成约 80% 的任务——快则 2 至 3 年，慢则 5 年甚至 10 年。WALL-SS 还没有把机器人直接带到这个阶段：论文的真机实验集中在桌面双臂任务，连续推演验证时长是 60 秒。但它指出了一个更现实的方向：让机器人学得更便宜、测得更可靠，再走进更多陌生环境。

可以带走的判断

这篇文章最后可以带走的一个判断是：当世界模型能预测真机策略的相对优劣时，它就不再是生成演示视频的工具，而成了机器人研发系统的一部分——虚拟训练场同时兼任练习场、考场和校准台。下一轮具身智能竞争，比的是谁能让机器人少摔杯子，而不是谁多拿几块赛场金牌。