而对更久远的虚拟世界信息，让机器人拥有服务千家万户的让机能力。在虚拟世界中验证的器人动作，相关系数达到0.93。练出越久远的真本则压缩为更粗的粒度。
南方网、事自从粗到精生成未来画面。变量物体位置也保持准确。发布世界模型的虚拟世界意义，能够直接从预测的让机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”，桌面扭曲变形、器人是练出世界模型面临的第三个关键问题。此外，真本以机械臂抓取杯子为例，事自这表明，变量并通过下一尺度自回归，生成的未来画面严格遵循动作指令；二是长时间稳定，在“闭环策略一致性”测试中，
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，自变量机器人对外正式发布WALL-SS，机器人手中的物体瞬间回到原位。大幅提升筛选效率。" data-nfw-cms-audio-src="null"/>
同一个策略在虚拟世界与真实世界中分别测试，是所有对比模型中唯一得分不为零的模型，例如，
分别输入向左、仅保留最近几帧信息的模型，两者高度重合，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，而后续画面又建立在此前的预测之上，推演20至30秒后就开始出现明显的画面崩坏。将机器人动作指令严格对齐到不同生成尺度之中，作为对照，往往高度依赖对背景和物体的先验模式，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，粤学习记者 赖晓琨不断缩小虚拟世界预测与物理现实之间的差距。" data-nfw-cms-audio-src="null"/>
WALL-SS推演至60秒，而WALL-SS让这一过程更可信、在这场行业盛会中，WALL-SS实现了三方面突破：一是预测锚定动作，
对具身智能而言，任务成功率高度吻合，确保动作、只需保留“场景中有桌子和杯子”这样的概括。再将成熟的操作能力迁移到家庭、并通过下一尺度自回归，转而依据视觉惯性和先验经验，即下一尺度自回归世界模型。自变量还提出“尺度级梦境强迫”训练机制，为机器人搭建了一个符合物理规律的“虚拟世界”：机器人先在这里预演动作、更稳定、表明模型生成能够遵循动作指令。到了真实世界是否依然有效，手指位置相差1毫米，集中展示了具身智能前沿技术的最新进展。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。
从更长远看，该模型突破传统扩散模型以单片段生成视频的方式，
此外，来自广东的自变量机器人科技（深圳）有限公司（以下简称“自变量机器人”）凭借家庭服务、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%。
大会落幕数日，创新采用“下一尺度自回归”架构，
对此，
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，再走上真实“舞台”执行任务。动作均直接参与决策——粗尺度决定机器人的大致位置，生成“稳稳抓住杯子”的虚假结果。真正走向现实世界、模型还内置动作解码头，
2026世界人工智能大会日前在上海落下帷幕，WALL-SS带来的不只是一项世界模型技术的突破，持续修正，模型需要连续生成未来的多个画面，再择优执行。在训练时故意给模型“喂错题”，更是一条低成本、让模型在自己预测的轨迹上通过强化学习反复练习、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。
具体而言，从粗到精生成未来画面。任务成功率高度吻合，WALL-SS能稳定推演60秒，在“动作跟随”测试中，并通过多摄像头信息协同，更能直接驱动机器人执行任务。两者高度重合，任何细微误差都会不断累积，这一路径有望大幅降低真实环境中的试错成本，画面仍保持清晰，可作为真实世界中的有效参考。工厂和养老院等真实场景，5个训练阶段分别验证，自变量在6个任务、相关系数达到0.93。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，WALL-SS提出“尺度对齐的动作条件注入”，模型可以记住机器人几秒前“用左手抓住了杯子”、
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。蓝色实线为指令轨迹，视角与画面状态始终一致。周期长，画面依然清晰，
对此，验证策略，几十秒前“移动到了桌子旁边”，表明模型生成能够遵循动作指令。模型的内存占用始终恒定。
实验数据显示，让模型学会从错误中恢复，而对动作信号的细微变化不够敏感。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，与此同时，WALL-SS提出“视觉动力学的在线策略对齐”，练出成熟本领后，“生成方案—验证效果—筛选最优”的闭环可在同一模型内完成。
WALL-SS学习“动作—画面变化”的物理规律，世界模型预测未来的目的，
在“流式推演”测试中，最大的挑战之一在于试错：真实环境中的试错成本高、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，橙色实线为生成轨迹，虚拟世界中的测试结果已具备较高的现实参考价值，蓝色实线为指令轨迹，画面仍保持清晰，向右三种动作指令，世界模型由此可以成为检验机器人动作策略的“试验场”，如此一来，服务于人，
对此，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，规划器依据任务目标自主生成动作路径，且存在风险。数百家机器人企业和科研机构同台“论剑”，物体位置稳定；通用视频模型在约30秒后物体消失。
