据爱范儿报道，在世界人形机器人运动会落幕之际，自变量机器人公司发布了自回归世界模型WALL-SS，为机器人构建了一座“虚拟训练场”。该模型可推演持续60秒的倒水、物品整理等任务，预测不同动作导致的不同结果。研究团队将多套机器人策略分别放入WALL-SS和真实世界测试，虚拟世界中执行效果较好的动作策略，搬到物理世界后往往也有较好的表现。

真实世界没有固定的跑道和统一摆放的道具，杯子被挪动一点、桌面多出一块抹布，都可能让原本训练好的动作失效。世界模型被认为是具身智能的重要方向，它像机器人脑中的预演系统，根据当前画面和动作预测未来。但许多世界模型存在类似“磁铁式抓取”的偏差：夹爪与物体还有明显空隙时，生成画面中的物体也会主动贴进夹爪。推演时间一长，误差还会不断累积，导致物体位置漂移。

WALL-SS采用“下一尺度自回归”方式生成预测。模型先搭建低清预览，确定运动大方向，再逐层调清，补上物体轮廓、夹爪开合和接触位置。动作与画面放在同一条时间线上，哪只夹爪何时移动到哪里，多个相机应该看到什么变化，都需要相互对应。固定初始画面只改变动作轨迹时，模型会生成不同未来，而非总是生成同一个成功结局。在衡量动作变化敏感度的评测中，WALL-SS得分0.290，对比模型Cosmos3为0.044，其他模型为0分。在衡量生成轨迹是否贴合给定路线的“轨迹精度”上，WALL-SS得分0.539，为全部对比模型最高。

长时任务中，WALL-SS采用“尺度压缩的长时间跨度记忆”，最近发生的事情保留更多细节，更早的历史被压缩成摘要，最初观察画面作为场景锚点。训练时，研究团队加入“逐尺度梦境强迫”，向历史信息添加扰动，要求模型基于有误差的信息预测正确未来，让机器人学会纠正小误差。在60秒推演测试中，WALL-SS的轨迹误差、片段衔接、物体状态和视觉质量均比对照模型稳定。倒水任务中，机械臂逐帧轨迹误差保持在画面对角线的0.5%以下。

WALL-SS还引入“视觉动力学的在线策略对齐”，安排两个裁判分别检查动作跟随和长期一致性，模型根据评分调整生成不同未来的概率。对齐后，动作跟随从0.264提升至0.290，轨迹精度从0.512提升至0.539，跨片段边界误差从0.118降至0.104。

研究团队选取5个不同训练阶段的WALL-WM策略，在6项任务、20组匹配初始状态下，分别放入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，虚拟世界选出的较好版本有89%的优劣关系与真机测试相同。将30个“任务与策略版本”组合的成功率比较，虚拟结果和真机结果的相关系数为0.926，平均绝对误差为0.062。该相关系数衡量整体变化趋势，不代表单次预测有92.6%的命中率。

WALL-SS还加入了动作专家，外部动作给定时，视觉生成器预测动作后果；需要自主行动时，动作专家根据当前状态生成控制指令。在桌面双臂任务中，WALL-SS的平均任务进度得分为69.1，对比π 0.5为49.6，DreamZero为44.1，LingBot-VA为34.0。

世界模型可提前发现更可能失败的动作路径，减少较差策略直接上真机的次数，但末端执行器能否稳定落位，仍依赖关节精度、灵巧手、触觉和力控等软硬件配合。