GigaWorld-1：构建用于机器人策略评估的世界模型路线图
本文系统研究了用于机器人策略评估的世界模型，提出了WMBench基准测试，基于324,000个模拟策略 rollout 和真实机器人执行数据，分析了7种视频世界模型和4种动作表示方案。核心发现包括：评估器质量主要取决于长时程、动作保真的一致性，而非短期视觉真实感；预训练收益不仅来自数据规模，还需平衡通用世界知识与机器人特定可控性；架构选择（如动作编码、记忆设计）对与实际机器人行为的一致性有决定性影响。基于此，作者提出了实用设计路线图并实现了GigaWorld-1模型，同时开源了代码、模型、数据集和工具包。
评估具身机器人基础模型（embodied robot foundation models）仍然是该领域的关键瓶颈。与可以通过数字基准高效评估的大型语言模型不同，机器人策略需要缓慢且昂贵的真实世界部署，受限于硬件和人工监督。这促使研究者将世界模型作为策略的替代评估器，但使世界模型可靠评估策略的关键性质仍不明确。
本文对机器人策略评估中的世界模型进行了系统研究，并引入了WMBench基准。该基准基于真实机器人遥操作数据和匹配的策略部署构建，涵盖多种操作任务，如抓取、放置、装配等，支持在不同模型家族（如基于扩散的模型、Transformer-based world models）、动作编码（如关节角度、末端执行器位姿）、部署时域（从短程到长程）和评估指标（如PSNR、FID、一致性得分）之间进行受控比较。
利用WMBench，研究团队分析了7种视频世界模型（包括VideoPoet、Imagen Video、CogVideo等变体）、4种动作表示方案（包括离散化、连续嵌入、逆动力学编码等），以及超过324,000个模拟策略部署与真实机器人执行的配对数据。此外，他们还补充了来自CVPR 2026 GigaBrain挑战赛的大规模社区提交（涵盖超过50个团队提交的算法）、精心整理的合成轨迹（使用高质量物理模拟器生成）以及超过12,000小时的训练视频（包含多样化场景和失败案例）。
实验得出了三个核心见解：首先，评估器质量主要由长时程（long-horizon）、动作保真（action-faithful）的部署一致性决定，而非短期视觉真实感（如帧级PSNR）。即使一个世界模型能产生高保真的静态图像，如果它在长时间上无法保持对动作的因果响应，它就不是一个好的评估器。其次，预训练收益不仅来自数据规模，还来自通用世界知识与机器人特定可控性的平衡——纯粹在互联网视频上预训练的模型缺乏对机器人动作的显式建模，而完全在机器人数据上训练的模型则缺乏对物理常识的理解。最后，架构选择（包括动作编码的设计——是简单地拼接还是通过交叉注意力融合？记忆设计——是否使用循环状态或注意力缓存？评估器面向的后训练——是否使用对比学习或排序损失？）对与实际机器人行为的一致性有强烈决定作用。
基于这些结果，研究者推导出了一条实用的设计路线图：首先使用大规模互联网视频预训练获得通用表示，然后在机器人数据上使用显式动作条件注入进行微调，最后使用基于排序的损失函数对准评估器偏好。他们据此实现了GigaWorld-1——一个专门针对策略评估优化的世界模型，在多个基准任务上超越了现有方法。团队完全开源了代码、模型、数据集（含真实遥操作数据、模拟数据、社区提交）以及评估工具包，以推动具身基础模型的可扩展评估研究。该工作为机器人学习和评估社区提供了宝贵的资源，也为其他需要世界模型的领域（如自动驾驶、游戏AI）提供了参考。