8 月 11 日，清华大学深圳国际研究生院、腾讯 Robotics X、香港科技大学与深圳技术大学研究团队联合提出可交互世界模型 GeniWorld。该模型利用 URDF（统一机器人描述格式）渲染技术，将机器人的动作指令转化为与真实相机视角对齐的机器人运动画面，使世界模型能提前预判并控制机器人动作。结合 GeniWorld 合成数据后，π0 VLA 模型在挑战性场景下的真机总体成功率从 40.8% 提升至 69.0%。

通用机器人策略的最新进展已展现出多任务能力，但在复杂且未见的未知环境中，其鲁棒性依然有限。背景、物体实例、空间布局以及任务配置的变化，都可能导致性能大幅下降。若通过扩展机器人学习与评估来覆盖这些变化，通常需要构建新的物理环境，不仅成本高昂，还严重限制了场景多样性。GeniWorld 的提出，正是为这一数据与场景瓶颈寻找一条低成本的替代路径。

工作原理：让机器人在「想象空间」中预演未来

GeniWorld 是一个基于具身视觉动作条件化的可泛化交互式世界模型，能够与策略及人类操作员实现闭环交互。即使只有有限的演示数据，该模型也能在多样化场景中展现泛化能力，并生成新的行为。

· 动作转换：针对目标机器人系统，先由构型运动学模型将数值动作序列转换为密集的机器人运动序列

· 视觉化动作：基于预训练视频生成模型，通过 URDF 渲染技术将动作转化为「视觉化动作表示」，再编码为隐空间表示并与带噪声的视频 Latent 拼接

· 未来预测：拼接后的复合表示输入因果扩散 Transformer，通过流匹配预测未来视频；推理阶段以初始场景图像为第 一帧，利用 KV 缓存维护历史上下文

实验表明，与数值动作、投影末端执行器姿态、投影骨架动作相比，视觉动作实现了更快的收敛速度和持续领先的性能，说明视觉动作通过利用预训练视频模型的生成先验，提供了更有效的输入模态。

实验设置：两种评估标准下均居首位

为评估 GeniWorld 的生成保真度、泛化能力与数据合成能力，研究团队基于 RoboTwin2.0 构建了 Clean-to-Clean 与 Clean-to-Random 两种设置：前者遵循标准 WorldArena 协议，50 个任务共产生 2250 个训练 Episode 与 250 个留出测试 Episode；后者用于零样本域外评估，直接在场景外观、物体实例、物体摆放和空间布局大幅调整的 250 个 Episode 上评估。

在 PSNR、SSIM、LPIPS、FID、FVD 与 EWM Score 等视觉预测质量指标下，GeniWorld 与 Ctrl-World、IRASim、EnerVerse-AC 等基线对比，两种设置下均实现了最高生成质量：Clean-to-Clean 上 EWMScore 达 61.80，Clean-to-Random 上达 63.54，均明显领先其余模型。

真机验证：总体成功率从 40.8% 提升至 69.0%

在真机验证上，研究团队使用双臂 Xtrainer 机器人系统构建实验平台，将机器人 URDF 模型集成至 Isaac Sim 进行运动控制，并复刻物理相机搭建，以渲染出视觉一致的观测数据。团队让 π0 VLA 模型在移碗、折毛巾、放置马克杯和开抽屉四个代表性操纵任务上训练，每个任务仅使用 25 条演示轨迹，通过 Xtrainer 遥操作系统采集演示数据。

训练数据采集期间，团队保持桌面环境干净整洁，但会在不同 Episode 之间随机化被操纵物体的位姿，例如空间重新排列、替换成未见过的物体实例、放置随机物体或改变环境照明。结果显示，Spatial-Gen 将空间重新排列下的成功率从 37.5% 提升至 62.5%，Diverse-Gen 在干扰项、新实例与光照变化下带来更高增益；结合两种数据源后，空间重排下达到 70.0%，有干扰项时达到 72.5%，新实例上达到 70.0%，光照变化下达到 52.5%，总体成功率从 40.8% 提升至 69.0%。

前景与挑战：从实验室成果到产业落地仍有距离

从仿真到真实、从有限演示到泛化部署，数据稀缺始终是制约具身智能规模化落地的核心瓶颈之一。GeniWorld 的探索表明，可泛化世界模型为这一难题提供了一条可行路径，让机器人在「想象空间」中预演未来，以合成数据弥补现实数据采集的高昂成本，无需手动搭建场景即可有效缓解机器人策略学习中的数据匮乏问题。

真机验证中 69.0% 的总体成功率印证了这一方向的潜力。不过泛化世界模型距离产业化落地仍存在不小差距，实验室成果仅是起点，能否经受真实场景的长期考验，才是决定其技术价值的关键。