AI guides

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

By 机器之心1 viewsSource: 机器之心
世界模型迎来「真考场」:WorldArena 2.0 Challenge正式启动

WorldArena 1.0 的核心意义,在于将世界模型评测从 “好不好看” 推进到 “是否真的有用”。它不再只关注视频观感,而是把物理一致性、可控性、3D 准确性和具身任务功能性纳入统一评测框架,使许多看似流畅的生成结果第一次在机器人具身任务中接受检验。

The full text has not been translated yet. The Chinese original is shown below.

WorldArena 1.0 的核心意义,在于将世界模型评测从 “好不好看” 推进到 “是否真的有用”。它不再只关注视频观感,而是把物理一致性、可控性、3D 准确性和具身任务功能性纳入统一评测框架,使许多看似流畅的生成结果第一次在机器人具身任务中接受检验。

然而,WorldArena 1.0 的评测仍主要集中在离线视频生成和仿真任务中。面对真实机器人执行、在线强化学习闭环、视觉 - 触觉等多模态感知,以及真实部署中的噪声、延迟和误差累积,仍缺少一个系统性的评测框架。

为进一步回答这些问题,WorldArena 团队正式发布 2.0 版本,并同步启动 IROS 2026 WorldArena 2.0 Challenge。WorldArena 2.0 设置了视频质量评测、在线 RL 环境、真实机器人 WAM 任务三大赛道,旨在检验世界模型能否从可靠预测走向闭环学习,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机构。

文章配图

图 1 WorldArena 2.0 Challenge 比赛概览

文章配图

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:把世界模型评测推向闭环交互和真机环境

WorldArena 1.0 重新定义了问题:世界模型不应只在 “视频像不像” 上被打分,还要看生成结果是否符合物理约束,是否能服务数据合成、策略评估和动作规划。它把世界模型从展示性视觉生成拉回到具身任务里,但其在离线和仿真条件下回答这些问题;如果模型遇到分布外场景会不会崩?能不能成为策略反复交互的训练环境?仿真里成立的能力,到了真实机器人上还站不站得住?这些问题,正是 2.0 持续往前推进的动机。

WorldArena 2.0 的升级由此展开:模态上,从纯视觉走向视觉 - 触觉建模;功能上,从离线任务评测走向闭环在线强化学习环境;平台上,从仿真器走向真实机器人平台。IROS 这次挑战赛把这些能力拆成三个赛道,让不同方向的团队都能直接参与、持续提交、公开比较。

  • 三个赛道不是简单并列的排行榜,而是一条逐步加压的能力路线:Track 1 看视觉和物理预测是否稳,Track 2 看模型能否支撑策略在线闭环学习,Track 3 则把 WAM 放到真实机器人平台上,检验任务规划与动作执行是否真正可用。
  • WorldArena 2.0 Challenge 要看的不是单个漂亮结果,而是世界模型能否从预测未来,走向交互学习,再应用于真实任务场景。
  • 因此,这次比赛不再把 “会生成视频” 当作终点,而是把它放进更长的链路中:预测要能被交互使用,交互要能服务策略学习,最终还要经得起真机任务检验。

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

任务更难、时序更长、场景和物体更陌生时,世界模型还能不能生成可信、可控、符合物理规律的未来?

Track 1 保留 1.0 对视频质量和物理一致性的关注,但不再停留在原有难度上。2.0 加入了更复杂的任务、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,而不是只复现训练集中的演示。

这条赛道不是比谁的视频更 “漂亮” 或者更能通过训练来拟合、建模世界,要考察的是模型在更难、更陌生的场景里,能不能维持视觉、几何和物理的一致性,因此真正考验模型是否真正理解物理规律场景和操作细节并能泛化、迁移。

文章配图

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

世界模型能不能从 “生成一段未来”,变成策略可以反复交互和优化的训练环境?

在 Track 2 中,世界模型不再只是接收条件并生成一段视频,而是被放进在线强化学习闭环:接收策略动作,预测下一步观测,提供与奖励相关的反馈,并支持策略反复 rollout 与迭代优化。

这比静态视频评测更苛刻。一次预测误差会改变下一步动作,动作又会进入下一轮预测,最终形成闭环里的误差累积。视频里偶尔一帧不够好,观感上可能还能接受;但训练环境里的动态关系一旦不稳,策略就可能在 “错误世界” 里越学越偏。

WorldArena 2.0 的已有实验给出了一个明确趋势:部分世界模型已经能让策略相较基础 SFT 获得提升,说明它们开始具备 “虚拟训练场” 的雏形;但与真实仿真器相比,差距仍然存在。Track 2 要推动的,正是从 “能提供一点学习信号”,走向 “能稳定支撑策略优化”。

文章配图

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

到了真实任务场景,WAM 能不能在多本体、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。它看的是模型能否根据观测、任务提示和动作历史给出下一步有效行动;当真实执行出现偏差时,能否继续调整策略,而不是沿着错误轨迹继续走下去。

Track 3 的重点:多本体、多模态与分布式真实评测

Track 3 将围绕多个真实机器人本体展开评测,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 同时设置 vision-only 与 tactile-vision 两种条件。Vision-only WAM 对应更基础也更通用的设定:系统只能依靠视觉信息完成规划和执行;tactile-vision WAM 则允许系统额外使用触觉观测,用来处理接触、滑移、压力变化和材料交互等更复杂的操作信息。

触觉不是准入门槛,也不是单独的重建指标。它更像一个可选的能力增益项:如果参赛方法能把触觉真正用于动作规划和纠错,并在接触密集任务中取得更好结果,这部分优势应当体现在真实任务表现中。换句话说,比赛不只问模型能不能 “看见” 接触,更关心它能不能 “利用” 接触。

文章配图

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。

已有结果给出的提醒: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,同时比较触觉预测质量和最终任务成功率。结果显示,Wan2.2 的触觉预测达到 21.26 PSNR 和 0.746 SSIM,并在 Insert HDMI 上取得 100% 成功率;但到了需要持续力控的 Lift Bottle,所有受测世界模型成功率都是 0,而 ACT baseline 达到 80%。

这组结果说明,触觉确实能帮上忙,但它发挥作用的方式并不简单。插入 HDMI 时,触觉有助于判断接口是否对齐、接触是否发生,从而把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更长时间里持续估计受力、滑移和姿态。单次触觉预测准确,并不等于长时序操作一定成功。

文章配图

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。

放到 Track 3 中,这个结论很直接:真正有竞争力的方案,不能只把触觉重建分数做高。参赛系统还需要证明,触觉信息确实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,因而其特别强调以下能力:

  • 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对得起来。
  • 持续执行:模型要处理滑移、摩擦和接触力随动作变化的长时序动态,而不是只识别接触瞬间。
  • 闭环纠错:预测、执行或观测一旦偏了,策略需要利用新的视觉 / 触觉反馈及时修正,而不是沿错误轨迹继续执行。
  • 真实部署鲁棒性:系统还要面对传感噪声、延迟、设备差异和物体属性变化,并保持接口兼容、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,并不自动等于真机可用。传感噪声、控制延迟、材料摩擦、接触反馈、分布偏移,以及不同机械臂之间的差异,都会重新排序模型能力。触觉可能帮助系统判断 “是否接触”“是否滑移”,但前提是模型能把视觉、触觉、动作和状态变化放进同一个执行闭环里。

需要说明的是,Track 3 将采用多机构、多地点协作的分布式评测方式,以提高评测公平性、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,仍以比赛官网后续公布为准。

文章配图

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?

第一,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;参赛者既可以单独参与某一赛道,也可以让同一模型路线在不同能力层级上接受压力测试。

第二,WorldArena 2.0 已开放论文、代码、数据与评测框架。参赛者不必从零搭建基础设施,可以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 - 触觉联合流水线开发。

第三,榜单的价值不只在排名。WorldArena 2.0 已经揭示: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已经可以替代仿真器,仿真中有效也不等于真机可靠。到了真实应用场景,多机器人本体、视觉 - 触觉和分布式真实评测还会进一步放大这些差距。比赛会把这些问题放到统一协议下,让真正有效的改进被看见。

对研究者而言,这是一次把论文方法放进公开压力测试的机会;对工程团队而言,这是一次检验模型能否进入机器人训练、规划与部署链路的机会。方法是否真的稳,最终要在这些连续环节里见分晓。

四、赛程与提交规则

  • 比赛已于 2026 年 7 月 10 日开放,最终提交截止时间为 8 月 30 日;最终结果计划于 9 月 15 日公布,并在 9 月 27 日举行颁奖环节。
  • 提交频率:每支队伍总计最多提交三次,每周最多提交两次;如同一统计周期内提交多次,将以最后两次提交结果为准。
  • 社区沟通:比赛官方微信群入口已列在比赛官网;Discord 与其他支持渠道将后续公布。

五、相关链接

  • 比赛官网:http://iros2026challenge.world-arena.ai/
  • IROS 2026 Workshop:https://physical-world-models.github.io/IROS2026
  • WorldArena 2.0 项目主页:http://v2.world-arena.ai
  • 论文:https://arxiv.org/abs/2605.17912
  • 代码:https://github.com/WorldArena2/WorldArena-2.0
  • 实时榜单:https://huggingface.co/spaces/WorldArena/WorldArena2.0
  • 官方邮箱:worldarenav2@outlook.com

从可靠预测,到闭环学习,再到真实执行,IROS 2026 WorldArena 2.0 Challenge 希望把世界模型真正推向机器人可用的下一步。

文章来自于"机器之心",作者 "机器之心"。

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)