让机器人在“虚拟世界”练出真本事！自变量发布WALL

　　2026世界人工智能大会日前在上海落下帷幕，虚拟世界数百家机器人企业和科研机构同台“论剑”，让机集中展示了具身智能前沿技术的器人最新进展。在这场行业盛会中，练出来自广东的真本自变量机器人科技（深圳）有限公司（以下简称“自变量机器人”）凭借家庭服务、物流分拣等多场景落地应用，事自成为现场焦点。变量

　　大会落幕数日，发布8月27日，虚拟世界自变量机器人对外正式发布WALL-SS，让机即下一尺度自回归世界模型。器人该模型突破传统扩散模型以单片段生成视频的练出方式，创新采用“下一尺度自回归”架构，真本为机器人搭建了一个符合物理规律的事自“虚拟世界”：机器人先在这里预演动作、验证策略，变量练出成熟本领后，再走上真实“舞台”执行任务。这一路径有望大幅降低真实环境中的试错成本，缩短机器人策略的开发与筛选周期。

　　具体而言，WALL-SS实现了三方面突破：一是预测锚定动作，生成的未来画面严格遵循动作指令；二是长时间稳定，长时推演下画面与物体状态始终保持连贯；三是结果可验证，在虚拟世界中验证的动作，可作为真实世界中的有效参考。

WALL-SS学习“动作—画面变化”的物理规律，并通过下一尺度自回归，从粗到精生成未来画面。

　　预测画面不听动作“指挥”？

　　WALL-SS让动作真正控制画面生成

　　现有世界模型在预测未来状态时，往往高度依赖对背景和物体的先验模式，而对动作信号的细微变化不够敏感。以机械臂抓取杯子为例，手指位置相差1毫米，在物理世界中就可能导致“成功抓起”与“撞翻杯子”两种截然不同的结果；但由于两种情况在视觉上高度相似，模型极易忽略这一细微偏差，转而依据视觉惯性和先验经验，生成“稳稳抓住杯子”的虚假结果。

　　对此，WALL-SS提出“尺度对齐的动作条件注入”，将机器人动作指令严格对齐到不同生成尺度之中，使动作从生成画面的“辅助信号”转变为必须遵循的核心条件。在画面预测的各个尺度上，动作均直接参与决策——粗尺度决定机器人的大致位置，精尺度决定手指是否合拢，动作信号贯穿画面生成的全过程。与此同时，WALL-SS统一动作与画面的时间轴和坐标系，并通过多摄像头信息协同，确保动作、视角与画面状态始终一致。　　

　　分别输入向左、向前、向右三种动作指令，蓝色实线为指令轨迹，橙色实线为生成轨迹，两者高度重合，表明模型生成能够遵循动作指令。

　　实验数据显示，在“动作跟随”测试中，WALL-SS得分达到0.29，是所有对比模型中唯一得分不为零的模型，而此前模型均难以使预测画面中的虚拟机器人遵循给定动作指令；生成视频与给定动作轨迹指令的重合度亦从0.251提升至0.539，提升幅度达115%。

　　时间一长画面就崩坏？

　　WALL-SS让模型分层处理记忆

　　长时间稳定预测是世界模型面临的另一大挑战。模型需要连续生成未来的多个画面，而后续画面又建立在此前的预测之上，任何细微误差都会不断累积，最终导致预测崩溃——物体突然消失、桌面扭曲变形、机器人手中的物体瞬间回到原位。

　　对此，WALL-SS提出“尺度压缩的长时间跨度记忆”：越近的记忆保留得越精细，越久远的则压缩为更粗的粒度。例如，模型可以记住机器人几秒前“用左手抓住了杯子”、几十秒前“移动到了桌子旁边”，而对更久远的信息，只需保留“场景中有桌子和杯子”这样的概括。如此一来，无论推演多久，模型的内存占用始终恒定。此外，自变量还提出“尺度级梦境强迫”训练机制，在训练时故意给模型“喂错题”，让模型学会从错误中恢复，在推理过程中及时发现并修正误差。

WALL-SS推演至60秒，画面仍保持清晰，物体位置稳定；通用视频模型在约30秒后物体消失。

　　在“流式推演”测试中，WALL-SS能稳定推演60秒，画面依然清晰，物体位置也保持准确。作为对照，仅保留最近几帧信息的模型，推演20至30秒后就开始出现明显的画面崩坏。

　　虚拟世界预测“不足信”？

　　WALL-SS让模型成为可靠“试验场”

　　在虚拟世界中验证成功的动作策略，到了真实世界是否依然有效，是世界模型面临的第三个关键问题。世界模型预测未来的目的，正是为物理世界中的动作提供依据；一旦虚拟世界与真实世界存在明显偏差，预测结果便难以支撑机器人的实际决策。

　　对此，WALL-SS提出“视觉动力学的在线策略对齐”，让模型在自己预测的轨迹上通过强化学习反复练习、持续修正，不断缩小虚拟世界预测与物理现实之间的差距。

　　在“闭环策略一致性”测试中，自变量在6个任务、5个训练阶段分别验证，同一策略在虚拟世界与真实世界中的任务成功率吻合度达到93%。这表明，虚拟世界中的测试结果已具备较高的现实参考价值，世界模型由此可以成为检验机器人动作策略的“试验场”，大幅提升筛选效率。　　

同一个策略在虚拟世界与真实世界中分别测试，任务成功率高度吻合，相关系数达到0.93。

　　此外，WALL-SS的同一个网络兼具模拟器与规划器双重角色：模拟器依据给定动作预测未来，规划器依据任务目标自主生成动作路径，“生成方案—验证效果—筛选最优”的闭环可在同一模型内完成。模型还内置动作解码头，能够直接从预测的未来画面中输出机器人下一步动作——这使WALL-SS不仅是预测与仿真的“虚拟试验场”，更能直接驱动机器人执行任务。

　　对具身智能而言，真正走向现实世界、服务于人，最大的挑战之一在于试错：真实环境中的试错成本高、周期长，且存在风险。世界模型的意义，正是让机器人在动手之前“先想一步”——提前推演不同动作带来的结果，再择优执行。而WALL-SS让这一过程更可信、更稳定、更接近真实，有望大幅缩短机器人策略开发与筛选的周期。

　　从更长远看，WALL-SS带来的不只是一项世界模型技术的突破，更是一条低成本、高效率的机器人能力成长路径：先在虚拟环境中学习与验证，再将成熟的操作能力迁移到家庭、工厂和养老院等真实场景，让机器人拥有服务千家万户的能力。

(责任编辑：休闲)