WoW 具身世界模型

WoW: Towards a World omniscient World model Through Embodied InteractionWoW进阶

用 200 万条真机交互轨迹训练的 140 亿参数具身视频世界模型

北京人形机器人创新中心联合北京大学、香港科技大学 2025 年 9 月发布。作者认为只看被动视频学不到真正的物理直觉，必须从大量带因果关系的交互中学，于是用 200 万条真实机器人轨迹（覆盖 12 种机器人平台）训练了一个 140 亿参数的扩散 Transformer 视频生成模型。生成视频常有物理错误，作者用 SOPHIA 框架让视觉语言模型当评审，反复检查结果并改写提示词，把生成往合理方向纠正；再用逆动力学模型（从前后帧反推动作）把预测视频翻译成机械臂动作。团队还发布了评测物理一致性和因果推理的 WoWBench。