世界模型迎来「真考场」：WorldArena 2.0 Challenge正式启动

2026-07-17 17:13:25 [综合] 来源：艾创先锋资讯网

WorldArena 1.0 的世界式启核心突破，在于将世界模型（World Models）的模型评测标准从单纯的“视觉逼真度”提升至“实际效用性”。该版本不再局限于视频生成的考场观感评估，而是世界式启构建了涵盖物理一致性、可控性、模型3D 几何准确性及具身任务功能性的考场统一评测框架，首次让看似流畅的世界式启生成结果在机器人具身任务中接受严格检验。

然而，模型WorldArena 1.0 的考场局限在于其评测主要集中于离线视频生成与仿真环境。面对真实机器人执行、世界式启在线强化学习（RL）闭环、模型视觉-触觉多模态感知，考场以及真实部署中不可避免的世界式启噪声、延迟和误差累积等问题，模型行业仍缺乏系统性的考场评测方案。

为填补这一空白，WorldArena 团队正式发布 2.0 版本，并同步启动 IROS 2026 WorldArena 2.0 Challenge。本次挑战赛设立视频质量评测、在线 RL 环境、真实机器人 WAM 任务三大核心赛道，旨在验证世界模型能否从“可靠预测”进化至“闭环学习”，并进一步支撑真实平台上的任务规划与动作执行。赛事依托 IROS 2026 Workshop on Physical World Models for Scaling Embodied AI举办，组织团队汇聚了清华大学、卡内基梅隆大学、斯坦福大学、普林斯顿大学、香港大学、新加坡国立大学、中国科学院自动化研究所等全球顶尖机构。

图 1 WorldArena 2.0 Challenge 比赛概览

图 2 WorldArena 2.0 沿模态、功能与平台三条轴线扩展具身世界模型评测。

一、从 1.0 到 2.0：推动世界模型评测向闭环交互与真机环境演进

WorldArena 1.0 重新定义了评测维度：世界模型不应仅在“视频像不像”上得分，更需考察生成结果是否符合物理约束，以及是否能服务于数据合成、策略评估和动作规划。它将世界模型从展示性视觉生成拉回具身任务场景，但受限于离线和仿真条件，仍无法回答以下关键问题：模型在分布外（OOD）场景下是否稳定？能否成为策略反复交互的训练环境？仿真中验证的能力在真机上是否依然有效？这些问题构成了 WorldArena 2.0 持续演进的核心动力。

WorldArena 2.0 的升级体现在三个维度的跨越：
1. 模态升级：从纯视觉走向视觉-触觉建模；
2. 功能升级：从离线任务评测走向闭环在线强化学习环境；
3. 平台升级：从仿真器走向真实机器人平台。

IROS 挑战赛将这些能力拆解为三个赛道，允许不同方向的团队直接参与、持续提交并进行公开比较。这三个赛道并非简单的并列排行榜，而是一条逐步加压的能力进阶路线：
* Track 1：检验视觉和物理预测的稳定性；
* Track 2：考察模型支撑策略在线闭环学习的能力；
* Track 3：将 WAM 部署于真实机器人平台，验证任务规划与动作执行的可用性。

WorldArena 2.0 Challenge 关注的不再是单一的“漂亮结果”，而是世界模型能否完成从“预测未来”到“交互学习”，再到“真实任务应用”的完整链路。比赛不再将“会生成视频”视为终点，而是将其置于更长的应用链条中：预测需支持交互使用，交互需服务于策略学习，最终需经得起真机任务的严苛检验。

二、三大赛道：从可靠预测，到闭环学习，再到真实执行

Track 1｜Video Quality Evaluation on OOD Tasks｜复杂任务视频质量评测

核心挑战：在任务更复杂、时序更长、场景和物体更陌生的情况下，世界模型能否生成可信、可控且符合物理规律的未来？

Track 1 延续了 1.0 对视频质量和物理一致性的关注，但大幅提升了难度。2.0 版本引入了更复杂的任务、更长的预测链路以及新的分布外（OOD）场景和物体，重点考察模型是否具备可迁移的具身理解能力，而非仅仅复现训练集中的演示数据。

该赛道不比拼视频画面的“美观度”或拟合能力，而是聚焦于模型在陌生场景中维持视觉、几何和物理一致性的能力。这真正考验了模型对物理规律、场景细节及操作逻辑的理解深度与泛化迁移能力。

图 3 Track 1 从视觉、运动、内容、物理、可控性和 3D 准确性等维度评价生成结果。

Track 2｜World Model as Online RL Environment｜世界模型作为在线强化学习环境

核心挑战：世界模型能否从“生成一段未来视频”转变为策略可反复交互和优化的训练环境？

在 Track 2 中，世界模型不再仅是接收条件并生成静态视频，而是被嵌入在线强化学习闭环：接收策略动作，预测下一步观测，提供与奖励相关的反馈，并支持策略进行反复 rollout 与迭代优化。

这比静态视频评测更为苛刻。单次预测误差会改变下一步动作，进而影响后续预测，最终形成闭环中的误差累积。在视频中，偶尔一帧的瑕疵可能不影响观感；但在训练环境中，动态关系的不稳定会导致策略在“错误世界”中越学越偏。

WorldArena 2.0 的初步实验显示，部分世界模型已能使策略表现优于基础 SFT，表明其具备“虚拟训练场”雏形；但与真实仿真器相比，差距依然显著。Track 2 的目标是推动世界模型从“提供微弱学习信号”走向“稳定支撑策略优化”。

图 4 Track 2 将世界模型接入在线 RL 闭环，并以最终策略表现检验模型环境的真实效用。

Track 3｜WAM on Real-World Robotic Platforms｜真机平台上的 WAM 任务能力

核心挑战：在真实任务场景中，WAM 能否在多本体、多模态和分布式评测条件下，完成任务级规划与动作执行？

Track 3 是 2.0 相比 1.0 最直接的推进：评测进入真机系统，重点考察 WAM 的任务规划与动作执行能力。它关注模型能否根据观测、任务提示和动作历史给出有效行动；当真实执行出现偏差时，能否动态调整策略，而非沿错误轨迹继续执行。

Track 3 重点：多本体、多模态与分布式真实评测

Track 3 围绕多个真实机器人本体展开，覆盖主流机械臂配置（如 AgileX、Franka 等），以检验 WAM 跨硬件平台的泛化能力。赛道同时关注接触丰富任务中的真实操控表现、跨模态感知能力，以及面向部署的效率与接口兼容性。

Track 3 设置 vision-only与 tactile-vision两种条件：
* Vision-only WAM：基础通用设定，系统仅依靠视觉信息完成规划和执行；
* Tactile-vision WAM：允许系统额外使用触觉观测，处理接触、滑移、压力变化和材料交互等复杂操作信息。

触觉不是准入门槛，而是能力增益项：比赛不单独考核触觉重建指标，而是关注触觉是否真正用于动作规划和纠错。如果参赛方法能在接触密集任务中利用触觉取得更好结果，其优势应体现在真实任务表现中。比赛不仅问模型能否“看见”接触，更关心其能否“利用”接触。

图 5 Track 3 评测真实世界 WAM 任务规划与动作执行，覆盖 vision-only 与 tactile-vision 两类设置。

已有结果提醒：触觉有用，但不能替代闭环能力

WorldArena 2.0 在 UniVTAC 仿真器上设置了 Insert HDMI 和 Lift Bottle 两类接触密集任务，对比触觉预测质量与最终任务成功率。结果显示：
* Wan2.2的触觉预测达到 21.26 PSNR 和 0.746 SSIM，在 Insert HDMI 任务中取得 100% 成功率；
* 但在需要持续力控的 Lift Bottle任务中，所有受测世界模型成功率均为 0，而 ACT baseline 达到 80%。

这一结果揭示：触觉确实有帮助，但其作用机制复杂。插入 HDMI 时，触觉有助于判断接口对齐和接触发生，将细粒度感知转化为动作成功；但抓稳并抬起瓶子需要系统在长时间内持续估计受力、滑移和姿态。单次触觉预测准确，并不保证长时序操作成功。

图 6 UniVTAC 视觉 - 触觉任务结果：预测指标领先并不必然带来长时序操作成功。

在 Track 3 中，这一结论直接指向：有竞争力的方案不能仅追求高触觉重建分数，还需证明触觉信息进入了动作规划和执行闭环，能在真实执行中帮助机器人判断接触状态、修正动作，并在误差累积后重新回到正确轨迹。因此，Track 3 特别强调以下能力：

多模态对齐：视觉、触觉、机器人状态与动作必须在时间和空间上严格对齐。
持续执行：模型需处理滑移、摩擦和接触力随动作变化的长时序动态，而非仅识别接触瞬间。
闭环纠错：预测、执行或观测一旦偏离，策略需利用新的视觉/触觉反馈及时修正，避免沿错误轨迹执行。
真实部署鲁棒性：系统需面对传感噪声、延迟、设备差异和物体属性变化，保持接口兼容、运行稳定和部署效率。

真实机器人是世界模型绕不开的考场。仿真中的非零成功率不等于真机可用。传感噪声、控制延迟、材料摩擦、接触反馈、分布偏移及不同机械臂间的差异，都会重新排序模型能力。触觉虽能判断“是否接触”或“是否滑移”，但前提是模型能将视觉、触觉、动作和状态变化整合进同一个执行闭环。

需说明的是，Track 3 将采用多机构、多地点协作的分布式评测方式，以提升评测的公平性、稳定性与可复现性。最终任务列表、硬件接入方式、远程评测流程与计分细节，请以比赛官网后续公布为准。

图 7 Track 3 面向多个真实机器人本体与多机构分布式评测，检验 WAM 的真实部署能力。

三、为什么值得参加？

超越视觉评测：这不是一场只看“视频好不好看”的比赛。三个 Track 分别检验视觉预测、交互式学习环境和真实 WAM 任务能力；参赛者既可单独参与某一赛道，也可让同一模型路线在不同能力层级上接受压力测试。
基础设施开放：WorldArena 2.0 已开放论文、代码、数据与评测框架。参赛者无需从零搭建基础设施，可直接基于公开仓库中的视频质量评测、RL 环境评测、真机视觉和视觉-触觉联合流水线进行开发。
榜单价值深远：WorldArena 2.0 已揭示：视觉指标高不等于任务成功率高，世界模型能帮助策略学习不等于可替代仿真器，仿真中有效不等于真机可靠。真实应用场景下的多机器人本体、视觉-触觉融合及分布式评测将进一步放大这些差距。比赛将通过统一协议，让真正有效的改进被看见。

对研究者而言，这是一次将论文方法放入公开压力测试的绝佳机会；对工程团队而言，这是一次检验模型能否进入机器人训练、规划与部署链路的关键契机。方法是否真正稳健，最终将在这些连续环节中得到验证。