1X 推出机器人世界模型 1XWM：预测动作后果，直接评估任务成败

想让一个人形机器人进家干家务，最头疼的其实不是教它怎么做，而是怎么测试它会不会搞砸。

现实里的家千奇百怪。今天杂乱的抽屉里塞了个平时用不上的开瓶器，明天客厅的茶几可能就被搬到了另一边。要是每改一次控制算法，都得把机器人放到上百个真实的客厅和厨房里跑一遍，工程师这辈子大概都要耗在搭样板间上了。

人形机器人公司 1X 给自家的人形机器人 NEO 找了个省事的解法：他们公布了名为 1X World Model（简称 1XWM）的机器人世界模型。

这个系统做的事情简单直接：让机器人在动手之前，先在由数据构成的「虚拟脑海」里预测未来的物理后果，顺便把任务成功率给算出来。

动作可控，而不是靠嘴说说

很多人熟悉的视频生成模型大部分是文生视频，输入一句话「伸手拿水杯」，画面就跟着跑。但搞机器人仿真不能靠这种模糊的指令，因为关节往左偏两毫米，水杯可能就倒了。

1XWM 的核心是「动作可控」。训练时，模型吃进去的是连续的视频帧、机器人的实际传感器观测，以及精确的低级动作轨迹。随后，它在隐空间里预测未来每一帧的画面变化。

从同一个初始静态画面出发，只要给 1XWM 喂入四种不同的动作轨迹，它就能模拟出四种截然不同的未来：去拿桌上的马克杯、拿抹布擦拭台面、往后退一步，或者在原地弹一把假想的空气吉他。

不仅能看画面，模型还会预测最后一帧的「状态价值」，直接给这套动作判定及格还是失败。换句话说，不用在物理引擎里辛苦搭碰撞体，也不用真买十个空气炸锅让机器人摔着玩，算法就能在数字世界里快速刷经验。

数据喂得越多，这个世界模型对物理规律的理解就越到位。在早期的测试里，数据量不够时 1XWM 会产生幻觉，以为空气炸锅的抽屉和机身是焊死的一体，机器人一拉就把整个炸锅拽翻了。而补充了真实交互数据后，模型不仅知道抽屉能拉出来，还准确模拟出了抽屉卡在滑轨里的物理限制。

拿 70% 的准确率挑出最好的算法

1X 并没有把 1XWM 当成炫技的玩具，而是直接把它做成了策略评估引擎。

团队用它来解决一个很实际的工程问题：新训出来的模型权重究竟好不好？比如，机器人控制算法到底要不要加入关节自身的位置反馈数据。1XWM 预测加入后表现会更好，后续在实机上的抽样测试完全印证了这个预测。

按照 1X 给出的数据，哪怕两个策略在现实中的真实成功率只差 15%，一个整体准确率为 70% 的世界模型，也能以 90% 的把握挑出更优秀的那一个。他们用同样的办法对比了不同的图像编码器，模型预测占优的 ViT-L 版本在现实里果然更胜一筹。

而且它还能做「反事实推演」。机器人之前在现实里哪个动作失误了，工程师可以调出那个失败的初始状态，让世界模型推演如果换一套动作会发生什么。

不过 1X 也坦白承认，模型目前还远算不上全知全能。一旦遇到训练集里从来没见过的全新物体——比如一盆没见过的植物，1XWM 在模拟机器人和它接触时依然会露怯，动作和画面的物理交互很容易变形。

为什么重要

我们认为，1XWM 最聪明的地方，在于它避开了传统物理仿真器那个吃力不讨好的大坑。

搞机器人的人都知道，在 Isaac Sim 或 MuJoCo 里面建一套逼真的家庭环境有多折磨人：布料怎么揉皱、流体怎么晃动、杂乱垃圾的摩擦力是多少，人工调参费时费力还不一定对。1X 选择直接用视频和动作数据来「脑补」物理现实，把环境建模的问题变成了生成式模型的数据吞吐问题。

对整个具身智能行业来说，这代表评估体系正在发生转移。谁能率先把世界模型的预测精度提上去，谁就能以几千倍的速度迭代控制策略。今天大语言模型靠合成数据自我强化，明天人形机器人也完全可能靠世界模型跑出来的合成经验完成冷启动。

但这里的隐患也很明确。世界模型生成的未来本质上依然是概率预测，一旦模型对某种物理属性存在认知偏差，算法就会在幻觉里越学越偏。对 1X 来说，从厨房特定的几个小任务，泛化到千家万户不可预测的杂乱环境，中间横亘的算力和数据门槛，可能比重新造一个物理引擎还要高。