GigaWorld-1：構建用於機器人策略評估的世界模型路線圖
本文系統研究了用於機器人策略評估的世界模型，提出了WMBench基準測試，基於324,000個模擬策略 rollout 和真實機器人執行數據，分析了7種視頻世界模型和4種動作表示方案。核心發現包括：評估器質量主要取決於長時程、動作保真的一致性，而非短期視覺真實感；預訓練收益不僅來自數據規模，還需平衡通用世界知識與機器人特定可控性；架構選擇（如動作編碼、記憶設計）對與實際機器人行為的一致性有決定性影響。基於此，作者提出了實用設計路線圖並實現了GigaWorld-1模型，同時開源了代碼、模型、數據集和工具包。
評估具身機器人基礎模型（embodied robot foundation models）仍然是該領域的關鍵瓶頸。與可以通過數字基準高效評估的大型語言模型不同，機器人策略需要緩慢且昂貴的真實世界部署，受限於硬件和人工監督。這促使研究者將世界模型作為策略的替代評估器，但使世界模型可靠評估策略的關鍵性質仍不明確。
本文對機器人策略評估中的世界模型進行了系統研究，並引入了WMBench基準。該基準基於真實機器人遙操作數據和匹配的策略部署構建，涵蓋多種操作任務，如抓取、放置、裝配等，支持在不同模型家族（如基於擴散的模型、Transformer-based world models）、動作編碼（如關節角度、末端執行器位姿）、部署時域（從短程到長程）和評估指標（如PSNR、FID、一致性得分）之間進行受控比較。
利用WMBench，研究團隊分析了7種視頻世界模型（包括VideoPoet、Imagen Video、CogVideo等變體）、4種動作表示方案（包括離散化、連續嵌入、逆動力學編碼等），以及超過324,000個模擬策略部署與真實機器人執行的配對數據。此外，他們還補充了來自CVPR 2026 GigaBrain挑戰賽的大規模社區提交（涵蓋超過50個團隊提交的算法）、精心整理的合成軌跡（使用高質量物理模擬器生成）以及超過12,000小時的訓練視頻（包含多樣化場景和失敗案例）。
實驗得出了三個核心見解：首先，評估器質量主要由長時程（long-horizon）、動作保真（action-faithful）的部署一致性決定，而非短期視覺真實感（如幀級PSNR）。即使一個世界模型能產生高保真的靜態圖像，如果它在長時間上無法保持對動作的因果響應，它就不是一個好的評估器。其次，預訓練收益不僅來自數據規模，還來自通用世界知識與機器人特定可控性的平衡——純粹在互聯網視頻上預訓練的模型缺乏對機器人動作的顯式建模，而完全在機器人數據上訓練的模型則缺乏對物理常識的理解。最後，架構選擇（包括動作編碼的設計——是簡單地拼接還是通過交叉注意力融合？記憶設計——是否使用循環狀態或注意力緩存？評估器面向的後訓練——是否使用對比學習或排序損失？）對與實際機器人行為的一致性有強烈決定作用。
基於這些結果，研究者推導出了一條實用的設計路線圖：首先使用大規模互聯網視頻預訓練獲得通用表示，然後在機器人數據上使用顯式動作條件注入進行微調，最後使用基於排序的損失函數對準評估器偏好。他們據此實現了GigaWorld-1——一個專門針對策略評估優化的世界模型，在多個基準任務上超越了現有方法。團隊完全開源了代碼、模型、數據集（含真實遙操作數據、模擬數據、社區提交）以及評估工具包，以推動具身基礎模型的可擴展評估研究。該工作為機器人學習和評估社區提供了寶貴的資源，也為其他需要世界模型的領域（如自動駕駛、遊戲AI）提供了參考。