自变量发布自回归世界模型WALL-SS，可推演60秒倒水与物品整理任务

自变量机器人发布自回归世界模型WALL-SS。该模型可推演持续60秒的倒水和物品整理任务，通过尺度压缩记忆和逐尺度梦境强迫等技术，在动作跟随、轨迹精度等评测中优于对比模型，并能在虚拟环境中筛选真机策略。

世界模型是具身智能领域的重要方向，旨在为机器人提供符合物理规律的虚拟预演环境。WALL-SS将动作与画面放在同一条时间线上，让不同动作确实通向不同结果，避免模型仅凭视觉经验脑补结局。在动作敏感度评测中，WALL-SS得分为0.290，对比模型Cosmos3为0.044；轨迹精度方面，WALL-SS得到0.539，为全部对比模型最高分。

针对长任务推演中的误差累积问题，WALL-SS采用尺度压缩记忆，对较早历史进行压缩，仅保留影响后续预测的关键信息；同时引入逐尺度梦境强迫，在训练时向历史信息加入扰动，要求模型基于有误差的信息预测正确未来。在60秒连续推演中，倒水任务的机械臂逐帧轨迹误差保持在画面对角线的0.5%以下。

研究团队还将多套机器人策略分别放入WALL-SS和真实世界测试，在600对闭环结果中，527对最终成败一致；虚拟环境中选出的较好版本，有89%的优劣关系与真机测试相同，虚拟与真机成功率的相关系数为0.926。这表明WALL-SS可用于在虚拟环境中筛选较优策略，减少真机试错成本。