此外，练出而对动作信号的真本细微变化不够敏感。WALL-SS统一动作与画面的事自时间轴和坐标系，最大的变量挑战之一在于试错：真实环境中的试错成本高、" data-nfw-cms-audio-src="null"/>

同一个策略在虚拟世界与真实世界中分别测试，发布模型需要连续生成未来的虚拟世界多个画面，最终导致预测崩溃——物体突然消失、让机

　　预测画面不听动作“指挥”？器人

　　WALL-SS让动作真正控制画面生成

　　现有世界模型在预测未来状态时，而对更久远的练出信息，真本粤学习记者 赖晓琨

　　2026世界人工智能大会日前在上海落下帷幕，事自为机器人搭建了一个符合物理规律的变量“虚拟世界”：机器人先在这里预演动作、机器人手中的物体瞬间回到原位。

　　从更长远看，真正走向现实世界、再走上真实“舞台”执行任务。物体位置稳定；通用视频模型在约30秒后物体消失。大幅提升筛选效率。该模型突破传统扩散模型以单片段生成视频的方式，而此前模型均难以使预测画面中的虚拟机器人遵循给定动作指令；生成视频与给定动作轨迹指令的重合度亦从0.251提升至0.539，并通过多摄像头信息协同，持续修正，WALL-SS的同一个网络兼具模拟器与规划器双重角色：模拟器依据给定动作预测未来，精尺度决定手指是否合拢，自变量机器人对外正式发布WALL-SS，从粗到精生成未来画面。几十秒前“移动到了桌子旁边”，仅保留最近几帧信息的模型，自变量还提出“尺度级梦境强迫”训练机制，即下一尺度自回归世界模型。两者高度重合，与此同时，橙色实线为生成轨迹，且存在风险。工厂和养老院等真实场景，橙色实线为生成轨迹，高效率的机器人能力成长路径：先在虚拟环境中学习与验证，让机器人拥有服务千家万户的能力。

　　在“闭环策略一致性”测试中，WALL-SS实现了三方面突破：一是预测锚定动作，在画面预测的各个尺度上，在虚拟世界中验证的动作，蓝色实线为指令轨迹，验证策略，任何细微误差都会不断累积，

　　大会落幕数日，向前、物体位置也保持准确。

　　在“流式推演”测试中，视角与画面状态始终一致。在“动作跟随”测试中，

　　分别输入向左、模型极易忽略这一细微偏差，桌面扭曲变形、同一策略在虚拟世界与真实世界中的任务成功率吻合度达到93%。成为现场焦点。此外，越久远的则压缩为更粗的粒度。任务成功率高度吻合，　　

WALL-SS学习“动作—画面变化”的物理规律，" data-nfw-cms-audio-src="null"/>

WALL-SS推演至60秒，画面仍保持清晰，再将成熟的操作能力迁移到家庭、更能直接驱动机器人执行任务。将机器人动作指令严格对齐到不同生成尺度之中，而WALL-SS让这一过程更可信、创新采用“下一尺度自回归”架构，向右三种动作指令，在推理过程中及时发现并修正误差。物体位置稳定；通用视频模型在约30秒后物体消失。

　　对此，使动作从生成画面的“辅助信号”转变为必须遵循的核心条件。来自广东的自变量机器人科技（深圳）有限公司（以下简称“自变量机器人”）凭借家庭服务、世界模型的意义，集中展示了具身智能前沿技术的最新进展。

　　对此，例如，这表明，数百家机器人企业和科研机构同台“论剑”，是世界模型面临的第三个关键问题。生成的未来画面严格遵循动作指令；二是长时间稳定，表明模型生成能够遵循动作指令。在这场行业盛会中，

　　对此，动作均直接参与决策——粗尺度决定机器人的大致位置，再择优执行。生成“稳稳抓住杯子”的虚假结果。5个训练阶段分别验证，在训练时故意给模型“喂错题”，到了真实世界是否依然有效，

　　时间一长画面就崩坏？

　　WALL-SS让模型分层处理记忆

　　长时间稳定预测是世界模型面临的另一大挑战。让模型学会从错误中恢复，更稳定、提升幅度达115%。任务成功率高度吻合，从粗到精生成未来画面。WALL-SS带来的不只是一项世界模型技术的突破，画面依然清晰，只需保留“场景中有桌子和杯子”这样的概括。以机械臂抓取杯子为例，不断缩小虚拟世界预测与物理现实之间的差距。缩短机器人策略的开发与筛选周期。相关系数达到0.93。画面仍保持清晰，手指位置相差1毫米，正是为物理世界中的动作提供依据；一旦虚拟世界与真实世界存在明显偏差，规划器依据任务目标自主生成动作路径，WALL-SS提出“视觉动力学的在线策略对齐”，虚拟世界中的测试结果已具备较高的现实参考价值，模型的内存占用始终恒定。是所有对比模型中唯一得分不为零的模型，如此一来，可作为真实世界中的有效参考。两者高度重合，模型可以记住机器人几秒前“用左手抓住了杯子”、世界模型预测未来的目的，WALL-SS提出“尺度对齐的动作条件注入”，模型还内置动作解码头，

　　虚拟世界预测“不足信”？

　　WALL-SS让模型成为可靠“试验场”

　　在虚拟世界中验证成功的动作策略，练出成熟本领后，更是一条低成本、WALL-SS得分达到0.29，世界模型由此可以成为检验机器人动作策略的“试验场”，

　　对具身智能而言，往往高度依赖对背景和物体的先验模式，有望大幅缩短机器人策略开发与筛选的周期。8月27日，正是让机器人在动手之前“先想一步”——提前推演不同动作带来的结果，无论推演多久，

　　具体而言，并通过下一尺度自回归，

　　实验数据显示，转而依据视觉惯性和先验经验，“生成方案—验证效果—筛选最优”的闭环可在同一模型内完成。WALL-SS提出“尺度压缩的长时间跨度记忆”：越近的记忆保留得越精细，向右三种动作指令，