一个充电器，一根缠成一团的线。
对人类来说，塞进收纳盒是两秒钟的事。对机器人，这是一道近乎无解的题，充电器是刚体，线缆是柔性体，两者的运动规律不同；而摆放角度、线缆的扭曲形状，在训练集里几乎没有重样的时候。
这类任务的难点不在动作本身，抓取、平移、下放，每一个动作拆开看都不复杂。难的是机器人对于任务的理解和判断，线缆还剩多少露在外面，第二次抓取会不会压到已经放进去的部分，容器边缘会不会挡住手腕。这些判断全部依赖对当前空间状态的准确理解，以及对动作之后空间会变成什么样的预判。
同一件物品，换个角度、换个位置、旁边多一个不相干的东西，在模型眼里就是一个全新的输入分布，这也是为什么真机上的成功率往往比实验室里低一大截。
X-Era AI 拓元智慧把这道难题交给了世界动作模型 E0.5。
E0.5，在 AgileX Piper 双臂机器人和 Zerith H1 人形机器人上，经过机器人数据预训练后，它的整体平均成功率分别达到 85.0% 和 88.3%，较 π0.5 分别高出 13.3 和 26.7 个百分点 —— 在与实力不俗的主流基线模型正面较量中，E0.5 依然展现出明显优势。
论文地址：https://arxiv.org/pdf/2610.36011
项目主页：https://www.x-era.com/e05/
开源代码：https://github.com/X-EraAI/e05
大多数世界模型，还没走到机械臂上
过去两年，世界模型被视作通向物理 AI 的关键路径。四条主要路线，各自卡在不同的地方。
一条依托游戏引擎和人工物理规则生成仿真数据。仿真环境与真实世界动力学之间存在天然鸿沟，现实世界的复杂性无法被穷举。
一条基于海量视频学习视觉动态。画面能做得高保真，但物理一致性、几何一致性、长时序记忆稳定性都不够。更关键的是，只有画面生成，完不成机器人控制的闭环。
一条在抽象隐空间做状态预测。算力省了，但抽象表征的效果难以评估，工程落地路径也不清晰。
还有一条把世界状态与动作联合建模，核心研究 "动作执行之后会产生怎样的物理后果"，直接面向真实物理世界的交互改造。
X-Era AI 拓元智慧的设计思路是把空间建模与物理建模解耦，提升模型对物理规律的学习与表征能力。空间建模负责几何，物理建模负责动力学演化，各自有清晰的监督信号，模型对接触、摩擦、形变这类连续变化的表征更充分，跨场景迁移时也更容易把 "规律" 和 "场景" 分开带走。
选择这条路的理由很朴素 —— 世界模型的最终归属是产业落地，要打通从仿真到机器人实操的完整链路。而落地这件事，不认画面，只认物理。
长时序操作，考验分布外迁移能力
仿真环境里的效果，只能作为架构和损失函数的校验场，不能直接等同于落地能力。基模在仿真任务上拿到高分数，接入真机后违背物理常识、不安全动作的案例并不少见。数字世界缺少摩擦、形变、噪声、光线、机械误差等扰动，而真机必须在这些扰动里维持稳定。
E0.5 在已有三维基础模型之上，进一步使用超 16 万条真实机器人轨迹开展具身预训练。在 AgileX Piper 双臂机器人和 Zerith H1 人形机器人上，E0.5 的分布内任务平均成功率分别达到 96.7% 和 100.0%；综合分布内与分布外设置，整体平均成功率分别为 85.0% 和 88.3%，较 π0.5 分别提升 13.3 和 26.7 个百分点。
在真机上的表现，恰好用来展示这套 “未来几何监督” 在真实扰动下的价值。
真机评测覆盖 AgileX Piper 双臂系统与 Zerith H1 人形机器人，任务包括鼠标归位、充电器收纳（将刚性充电器本体与整条柔性线缆一并收进收纳件）及垃圾清理。每项任务分 EASY 与 HARD 两档，HARD 档引入训练分布之外的鼠标位姿、陌生充电器与线缆，以及包含未见物体的更大规模垃圾集合。每套策略在两个平台累计进行 120 次试验，总实验次数共 480 次。
核心结果（不经大规模机器人数据预训练，直接进行任务后训练，对比 π0.5）：
Piper 分布内平均成功率达到 86.7%，H1 达到 93.3%，相比同样未经具身预训练的 π0.5（46.7% 和 70.0%），分别提升 40.0 和 23.3 个百分点；
充电器收纳在两个平台上分别提升 20 和 40 个百分点 ——Piper 从 50% 提升至 70%，H1 从 40% 提升至 80%。—— 这类「必须把刚性与柔性部件完整收纳」的任务，最依赖对动作空间后果的几何理解，也正是 E0.5 的对齐方式最能发力的地方；
Piper 垃圾清理成功率从 40% 提升至 100%，实现分布内场景下的全部试验成功；
H1 上，在相同的 600 条演示数据、5 个 epoch 后训练预算下，E0.5 将整体平均成功率从 51.7% 提升至 81.7%。其中分布内（ID）提升 23.3 个百分点，分布外（OOD）提升 36.7 个百分点，说明预训练三维几何知识能够有效迁移到机器人控制，即使没有额外的大规模具身数据预训练，也能带来显著的操作性能提升。
核心结果（经过大规模具身数据预训练，再进行任务后训练，对比 π0.5）：
Piper 分布内平均成功率达到 96.7%，H1 达到 100.0%，相比具身预训练后的 π0.5，（80.0% 和 76.7%），分别提升 16.7 和 23.3 个百分点。其中，H1 在鼠标归位、充电器收纳和垃圾清理三项任务中均达到 100% 成功率；
面对未见物体与陌生空间配置，Piper 和 H1 的 OOD 平均成功率分别达到 73.3% 和 76.7%，相比 π0.5（63.3% 和 46.7%），分别提升 10.0 和 30.0 个百分点，展现出较强的分布外泛化能力；
复杂操作任务表现尤为突出：在 OOD 充电器收纳任务中，Piper 成功率从 40% 提升至 80%，H1 从 30% 提升至 50%；在 H1 的 OOD 多物体垃圾清理任务中，成功率更是从 20% 提升至 80%，提升 60 个百分点；
大规模具身预训练进一步释放三维基础模型的操作能力：经过 AgiBotWorld-Beta 约 16 万条机器人轨迹预训练，E0.5 在 Piper 上跨 ID 与 OOD 设置的整体平均成功率从 70.0% 提升至 85.0%，在 H1 上从 81.7% 提升至 88.3%，分别提升 15.0 和 6.7 个百分点。这表明未来几何预测与大规模机器人交互数据能够有效结合，持续增强模型在真实物理环境中的操作能力。
以三维几何为骨干 构建原生世界动作模型
E0.5 把三维场景理解、几何状态预判、物理约束、动作生成、机器人本体控制收拢到同一个学习框架里。
它关心的不是机器人能不能看见物体，而是能不能建立一套关于 "物体如何变化" 的内部模型，再把这种动态理解翻译成连续、稳定、可纠错的物理动作。
01：将未来三维几何预测原生融入动作学习框架
传统视觉语言动作模型（VLA）通常以视觉语言基础模型为核心，通过视觉观测、语言指令和机器人状态生成动作序列。这一路线能够利用大规模视觉语言预训练知识，但其核心训练目标仍以动作预测为主，缺少对动作执行后世界状态变化的显式建模。机器人可以学习在特定场景下如何抓取和放置物体，却不一定充分理解这些操作会怎样改变物体之间的空间关系。
世界动作模型（WAM）的出现，将动作学习进一步拓展到未来世界状态预测。通过联合建模机器人动作与未来环境变化，让模型不仅学习 “应该怎么做”，还学习 “做完之后会发生什么”。然而，当前主流 WAM 仍主要建立在视频基础模型之上。其中，视频预测类 WAM 通过生成未来视觉画面学习环境动态，预测目标同时包含空间结构变化与纹理、光照等外观信息；部分方法虽然引入深度、点云等三维信息，但通常将其作为辅助特征或监督目标，模型的核心计算仍依赖视频骨干。
E0.5 的关键创新，是将三维基础模型从辅助感知模块提升为世界动作模型的原生骨干，并将未来三维几何预测直接融入动作学习。
首先，在模型架构上，E0.5 以三维基础模型为核心，通过语言条件化的几何表征和逐层几何 — 动作交互，将空间理解与机器人动作生成紧密结合。三维几何不再只是附加给 VLA 或视频模型的信息，而是支撑整个世界动作模型的基础表示。
其次，在预测目标上，E0.5 不再局限于重建当前场景，也不依赖未来视频画面作为主要预测目标，而是将动作序列与其终点对应的未来三维状态进行联合学习。模型在学习抓取、移动和放置等操作的同时，预测动作完成后的深度、三维空间结构和相机参数，使三维基础模型从静态空间重建进一步走向动态空间预测。
更重要的是，未来几何预测直接监督可训练的三维骨干，使空间变化知识融入动作生成所依赖的基础表征。在实际执行时，模型无需额外生成未来视频或三维场景，即可根据当前观测与任务指令输出动作序列。
消融实验验证了这一设计的有效性：在相同训练预算下，相比仅重建当前几何状态，预测未来三维状态使 RoboTwin 2.0 的平均任务成功率提升近 10 个百分点。
02：几何驱动泛化，在物体、姿态、布局偏移时维持操作逻辑
具身落地最痛的地方，从来不是训练集里标准化的物品，而是分布偏移：同一种充电器换个摆放角度、线缆扭成不一样的形状、出现从未见过的杂物组合。很多模型在标准样本上表现稳定，一旦物体外观、姿态跳出训练分布，整套操作逻辑就容易失效。
E0.5 的解法，是依靠几何表征做迁移。它学习的不是 “某张充电器图片对应一套抓取脚本”，而是刚性物体、柔性线缆、容器之间的空间关系与交互规律。在真机验证中，测试组刻意选用训练阶段完全没见过的物品、非常规摆放姿态，用来检验模型能不能把习得的操作逻辑迁移出去。这种泛化不是视觉层面的相似匹配，而是物理空间层面的关系复用。
在 Zerith H1 的三项真机任务中，经过机器人数据预训练和对应数据后训练的 E0.5，分布外平均成功率达到 76.7%，相比 π0.5 的 46.7% 提升 30.0 个百分点。这一结果进一步展示了模型在所测试的物体、姿态和数量变化下的操作泛化能力。
03：长时序任务闭环，让每一段动作都服务最终目标
单点抓取任务的约束简单、反馈直接，相对容易实现。真实世界里大量机器人任务，都是由多步动作串联而成。杂乱杂物清理、多件物品分类收纳等，都需要机器人循环执行抓取、转移、投放，直到满足任务终止条件。长时序链路里，误差会持续传递放大，一次放置偏斜，就会改变后续的遮挡关系、可用投放空间，让后续步骤全部偏离预期。 如果只是简单拼接示范动作序列，机器人只会机械走完固定步数，没有判断任务有没有做完、状态是否偏离预期的能力。
E0.5 延续未来几何的核心思路，把每一段动作片段和执行之后预期的三维状态绑定，给整条任务链设置一连串可校验的空间子目标。模型不再盲目生成连续动作，而是以最终任务目标为导向，持续比对当前观测到的场景状态和预判的未来几何状态之间的偏差。 凭借这个空间校验闭环，模型在多步骤任务里可以自主感知当前进度，判断是否已经达成阶段性目标、是否还需要继续操作，而不是刻板执行固定长度的动作序列，为复杂连续作业提供容错能力。
面向产业侧的端侧实时闭环
物理 AI 领域存在一条看似简便的路线，依靠扩大模型参数量，试图让通用基座的认知能力溢出，直接服务机器人控制。
但产业侧的约束会随之而来。大模型训练成本高昂，不是所有团队、所有场景都有算力资源持续迭代机器人专属数据；机器人端侧和边缘控制器对推理延迟、显存占用有硬性天花板，一旦推理延迟拉高，闭环控制就会变迟钝，直接破坏本体的动态交互。
在一个需要 10 毫秒内做出反应的系统里，模型的 "聪明" 必须建立在 "来得及时" 的基础上。这不是靠工程优化就能绕过去的问题。机械臂的阻抗控制、人形机器人的平衡维持，都要求在毫秒级完成感知 — 决策 — 执行的循环。模型再强，只要推理延迟超出这个窗口，输出就会滞后于本体状态，动作开始抖、开始过冲，严重时直接失稳。所以端侧能跑多大的模型，本质上决定了能做什么级别的控制。
E0.5 的选择是把重心放在架构先验、三维几何监督、动作 - 状态联合建模上，合理的架构选择和模型设计，意味训练门槛更低，小团队和细分场景也能基于这套底座做数据迭代；推理更快，更适配机器人端侧部署；更容易做场景微调和在线增量学习。
结语
过去一年，物理 AI 的叙事重心正在从 "能不能做出来" 转向 "能不能用起来"。前者比的是模型能力上限，后者比的是成本、延迟、可维护性这些工程指标。谁率先把物理常识转化为可计算约束，谁先吃透 “动作执行之后世界会如何变化”，谁就能让这套智能体系在实体机器人上稳定跑完一整套物理交互流程。
在 X‑Era AI 拓元智慧的技术架构中，VWA 与 PhyAgentOS（物理智能体运行框架）构成模型 + 系统双层底座。世界动作模型承担环境感知、物理推演、动作序列生成；PhyAgentOS 负责方案校验、异常恢复、任务经验沉淀；经校验的真实场景数据持续回流，驱动模型迭代升级。这套体系现已在智慧零售、仓储物流、工业制造、人居服务等场景落地验证。
这一架构也重构了产业落地逻辑，跳出传统 Demo 驱动的路径。过往机器人方案高度依赖工程师现场调试，依靠硬编码写死分支逻辑与任务流程，场景适配周期长、成本高昂，大量长尾场景难以覆盖。而在模型 + 系统范式下，人类仅需定义任务目标及复核把关，系统自主推演空间方案、优化动作策略。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
