★ FEATURED ARTICLE EvoWorld论文解读世界模型怎样帮助机器人持续改进技能ECCV 2026写在最前面一 为什么需要把世界模型与技能分开二 一条任务怎样经过 EvoWorld1 先找到与任务匹配的真实起点2 让候选技能提出动作 再比较预测后果3 评价轨迹时同时记录成功程度与失败类型三 自进化具体发生在什么地方四 实验能支持哪些结论1 固定评测条件下 路由方案在四类骨干上均有收益2 多轮更新进一步提高任务成功率3 组合任务要看全部目标有没有完成4 真机结果验证了部分收益能够落到硬件五 这条闭环还有哪些关键问题六 对启元机器人开发有什么具体启发1 给 Skill 补上适用条件与完成条件2 把一次执行记录成可以比较的经验3 用小范围对照检验路由与更新是否有效七 把失败记录变成下一次选择的依据参考资料启元机器人开发者社区你好这里是 晓雨的笔记本在所有感兴趣的领域扩展知识感谢你的陪伴与支持~ 欢迎添加好友 is_yu_ei不定期掉落福利资讯写在最前面版权声明本文为原创解读遵循 CC 4.0 BY-SA 协议。转载请注明出处。文中论文原图版权归原作者及出版社所有图源见各图注。论文EvoWorld: A World-Model-Centric Framework for Continuous Self-Evolution of Modular Embodied SkillsECCV 2026。让机器人把绿色物体放进碗里最后却没有完成。问题可能出在几个不同的地方初始画面里根本没有合适的碗抓取策略没能夹住物体或者世界模型预测物体会随夹爪移动真实接触却没有建立。几种情况都能得到一个“失败”的结果但下一步该改什么差别很大。ECCV 2026 收录的 EvoWorld把这个问题放到了系统设计的中心。它让世界模型预测动作后果让可独立调用的 VLA 专家负责执行再用视觉语言模型评估轨迹把反馈送回场景选择、技能路由或模型更新环节。论文关心的是当机器人已经拥有多种技能时怎样选对技能并让后续改进有明确的着力点。[1]对于启元机器人开发者这个思路值得关注一个 Skill 能被调用只是开发的起点。随着技能和使用场景增加还需要说明它适合什么状态、完成后应该看到什么变化以及失败记录如何帮助下一次选择。本文先拆解 EvoWorld 的机制和实验再讨论它对启元开放平台的具体启发。一 为什么需要把世界模型与技能分开视觉语言动作模型Vision-Language-ActionVLA把图像、语言指令等输入映射为机器人动作。把更多任务放进同一个模型有利于共享表示但不同场景的经验也可能相互干扰擦拭需要持续接触搬运需要稳固抓取折叠毛巾又要处理可变形物体。新增一类任务时开发者既希望学会新动作也希望原来好用的能力继续保持。EvoWorld 选择把“环境会怎样变化”和“该采取什么动作”分开组织。前者由共享的视频世界模型学习后者由面向不同任务的技能专家承担。高层路由器根据当前任务和场景选择专家失败反馈再决定优先调整哪个环节。图 1 展示了作者提出这一设计的动机。[1§1、§3]这里的“专家”是系统中可以分别调用和更新的策略模型。高层路由决定本次任务调用谁专家内部如何把观察变成动作则由各自策略实现。论文在四类 VLA 骨干上分别验证框架效果以观察这种组织方式的收益是否依赖某一个模型。图 1 EvoWorld 的设计动机。左侧是经验分散、策略干扰和反馈不足等问题右侧对应共享动态预测、场景相关路由与诊断反馈。来源原论文图 1书页 411。[1]二 一条任务怎样经过 EvoWorld继续以“把绿色物体放进碗里”为例。图 2 中一条任务会经过场景锚定、技能选择与动作预演最后进入结果评价和更新。沿着这条路径看每个模块都有不同的输入和职责。1 先找到与任务匹配的真实起点任务指令描述的是目标世界模型还需要知道动作从哪里开始。EvoWorld 从离线机器人经验中检索与指令匹配的初始视觉观察。例如要求把物体放进碗里就应选择存在相关物体、容器和操作空间的画面。论文称这一步为上下文场景锚定Contextual Scene Anchoring。[1§3.3]这一步把生成过程接到已有真实经验上减少从不合理场景展开预测的机会。语义相似的画面仍不一定满足全部物理条件。找到“有碗”的画面之后物体是否可达、初始接触是否合理仍要在后续过程中检查。图 2 EvoWorld 的完整流程。任务从离线真实经验中找到匹配的初始观察候选专家与世界模型交互产生预演轨迹评估结果再进入经验记忆和后续更新。来源原论文图 2书页 414。[1]2 让候选技能提出动作 再比较预测后果路由器由多模态大语言模型承担结合任务、初始观察、专家描述和历史经验挑出可能适合的策略。遇到熟悉的任务与场景组合时过去的成败记录能帮助选择遇到经验较少的组合时则需要保留探索空间。[1§3.4]世界模型随后参与比较。候选专家提出动作世界模型预测下一时刻的视觉状态专家再根据预测状态提出后续动作逐步形成一段预演轨迹imagined rollout。直观地说系统会比较不同做法可能产生的结果而不是只按技能名称匹配。补充材料把最终选择写成两类分数的加权组合一类反映语义和经验上的匹配程度另一类来自世界模型对预演轨迹的评分。一个专家既要适合当前任务它提出的动作也应在预测中表现得可行。[2式 10]世界模型在这里相当于一个学习得到的预测器。它能帮助筛掉明显不合适的候选但预测本身也可能出错。候选预演帮助系统选定专家随后所选专家生成的执行轨迹进入评估器用于判断结果并积累经验。3 评价轨迹时同时记录成功程度与失败类型EvoWorld 的视觉语言模型VLM评估器输出两项信息一个在 0 到 1 之间的成功分数以及一个失败类型标签。通过可靠性阈值的轨迹进入经验集合用于后续学习和路由校准未通过的轨迹则为更新提供线索。[1§3.5、算法 1]表 1三类失败如何对应不同的更新方向失败类型放进碗这一例子中的可能表现论文中的主要处理任务与场景不匹配TSM初始场景缺少目标物体或容器调整场景锚定及相关经验记忆策略失败PF场景合适但抓取或放置失败调整路由和或选中的技能专家世界模型失败WMF预演的运动与真实物理反馈不符根据预测偏差更新世界模型分类及更新方向据原论文 §3.5 和算法 1 整理中间一列为帮助理解机制的示例不是新增实测。[1]这个设计把“有没有成功”和“优先改哪里”放在同一条反馈链上。比如场景本来就不满足任务条件继续训练抓取专家可能用错力气如果只是专家选择不合适先调整路由也可能比改动全部策略更直接。三 自进化具体发生在什么地方论文标题中的“自进化”可以理解为反复运行这套选择、评价和更新过程。可靠经验被积累下来影响后续的专家选择和策略学习失败经验带着诊断标签进入不同的更新分支。系统因此有机会减少重复错误而不必每次都把全部模型一起重训。[1§3.5]实现上补充材料明确写到世界模型使用 DROID 机器人经验数据轨迹评估器采用 Qwen3-VL-4B-Instruct并用真实轨迹和人工标注的合成轨迹微调。技能专家从已有 VLA 官方权重出发在对应技能与场景的数据子集上适配在骨干适配阶段统一使用 5,000 个优化步骤。[2A.2]这些条件说明闭环建立在已有数据、模型和评价训练之上。图 3 中更完整的动作过程展示了这套机制想保留怎样的经验。图 3 论文展示的轨迹对照。红色框表示基线失败序列绿色框表示采用 EvoWorld 后的预演序列可以结合物体位置和接触过程观察差异。下方序列属于世界模型中的 imagined rollout。来源原论文图 4书页 421。[1]四 实验能支持哪些结论1 固定评测条件下 路由方案在四类骨干上均有收益主文表 1 覆盖抓取与放置、工具使用、姿态调整、可变形物体操作以及抽屉等可动部件操作五类技能。作者固定骨干、数据来源、任务与场景划分等比较条件补充材料说明每个“骨干与技能类别”使用 50 个任务—场景对评估静态成功率。下表保留五类技能的平均结果完整分项见原论文。[1§4.1—4.22A.3]表 2 主文表 1 的五类技能平均成功率VLA 骨干BaseEvoW增加的百分点相对增幅GR00T-N1.625.6%46.8%21.282.8%PI-0.523.2%41.2%18.077.6%PI-028.4%46.0%17.662.0%PI-0-fast26.4%45.2%18.871.2%四类骨干平均25.9%44.8%18.973.0%来源原论文表 1 与 §4.2百分比由原表小数换算。这里是论文的受控模拟评测实机实验另见本节第 4 部分。百分点为两项成功率直接相减相对增幅以 Base 为分母。[1]最有信息量的结果是收益出现在四类骨干上而不只集中于某一个模型。四类骨干平均从 25.9% 提高到 44.8%对应增加 18.9 个百分点。它支持了作者的判断在这些任务与场景条件下技能如何被选择和组织会明显影响已有策略能发挥出多少能力。2 多轮更新进一步提高任务成功率论文还考察了合成数据后训练中的持续改进。补充表 3 以“把杯子放到杯垫上”为例GR00T-N1.6 在第 100、500、2000 轮的成功率分别为 36±5%、58±3%、79±3%。每个检查点包含 5 个实验组每组 100 次随机采样报告均值与标准差。[2A.3—A.4、表 3]这组结果表明在给定后训练流程和评测协议下闭环更新能够带来进一步改善。这里的 2000 是闭环优化轮数不是 2000 次真实机器人部署。它提供了有限训练范围内的改进证据长期使用中能否一直保持收益还需要另外检验。3 组合任务要看全部目标有没有完成长任务更接近日常开发中的难点先拿起板擦再擦白板前一步的结束状态会影响后一步能否开始。图 4 用连续帧展示了这种技能衔接补充材料另列出十个由两类技能组成的评测任务。[1§4.22表 4]图 4 组合操作中的技能衔接。上例先拿起板擦再擦白板下例先抓起勺子再搅拌。每段动作的结束状态也是下一段动作的起点。来源原论文图 5书页 421。[1]实验同时报告部分成功和全部成功。部分成功按至少完成一个子目标统计因此也包含全部成功的样本。以补充材料中“打开盒盖并放入海绵”为例GR00T-N1.6 的全部成功率从 26% 提高到 50%部分成功率从 66% 提高到 84%。两者都改善了但差距依然明显完成一个子目标离完成整条任务还有距离。[2表 4—6T6]这对 Skill 开发很有启发。只统计某个动作接口调用成功会遗漏任务后半段的失败。组合技能需要同时说明每一步的完成条件以及整个任务的最终状态。4 真机结果验证了部分收益能够落到硬件世界模型中的轨迹变好之后还需要在硬件上检验。作者使用 Franka 机械臂和 GR00T-N1.6测试五项代表性操作任务每项进行 20 次硬件试验。论文报告 EvoW 的平均成功率达到 70%五项任务相对 Base 均有提高。[1§4.5、图 9]图 5 Franka 机械臂实机验证。左侧为五项任务的执行序列右侧为每项 20 次试验的成功率。来源原论文图 9书页 425。图中标签按原样保留数据差异见下方说明。[1]原文数据说明§4.5 将 Base 平均成功率写为 29%但图 9 的五个标注值 5%、40%、55%、15%、20% 复算为 27%EvoW 的五项均值为 70%。图注与横轴任务名也有不完全一致之处基线精确口径及任务对应关系仍需作者澄清。真机结果让这套方法不只停留在生成视频的评价上。不过这部分验证范围是一个机械臂平台、一个 VLA 骨干和五项任务它还不能直接代表在其他机器人形态和任务上的效果。五 这条闭环还有哪些关键问题首先预演质量与物理正确性之间仍有距离。论文用 FID、FVD 评价生成质量并展示了物体身份和运动连续性更好的序列。这些结果对世界模型有价值但视频看起来连贯并不能单独证明接触、受力和动作后果都预测正确。[1§4.4、图 7—8]其次模块化只是为有针对性的更新提供了结构。主文与补充材料没有给出三类失败诊断的独立准确率也没有通过旧技能保持率等专门实验证明灾难性遗忘已经解决。评价模型是否可靠、更新后旧任务是否退化仍会决定这条反馈链是否有效。六 对启元机器人开发有什么具体启发启元公开的开发资料为讨论这类模块化思路提供了具体入口。开发者社区已经提供 Q1、T1 的 ROS2 SDK以及 URDF、MuJoCo XML 和 RVizGazebo 相关资料PrimeConsole 列出了视频观察、状态与日志、仿真和 Skill 验证等功能。对 Q1官网将 Agent 开发与关节级运控等二次开发能力注明为探索版支持。[3—4]这些工具能够承接技能的调用与验证但仿真描述文件本身并不是 EvoWorld 所用的学习式世界模型。论文也没有报告启元机器人的适配实验。能够直接借鉴的是如何组织技能信息、记录反馈以及把更新对应到具体模块。1 给 Skill 补上适用条件与完成条件一个可复用的技能除了名称和调用入口还应该说明适用的机器人状态、需要的观察信息、动作执行后的预期变化。以待开发的抬手示意技能为例可以先明确允许启动的姿态与控制模式、动作结束时应恢复的状态再决定如何判断执行完成。这样整理之后高层任务逻辑就有依据判断什么时候能调用它。技能的名字相同并不意味着在不同本体、控制频率或关节状态下可以直接互换论文中的 VLA 专家与平台上的 Skill 也需要通过实际状态和动作接口建立对应。2 把一次执行记录成可以比较的经验按照 EvoWorld 的经验记忆思路开发时可以把任务、启动状态、所用技能版本、执行轨迹和结果放在同一条记录里。结合视频、机器人状态和日志下一次出现相似问题时才能判断是启动条件变化、选错技能还是动作本身需要改进。实际接入应以当前 SDK 文档为准。官方 Q1 快速入门说明当前默认支持 ROS2 通信RESTfulgRPC 的 API 开发方式暂未开放。因此开发设想应落到已公开的 ROS2 接口和实际可读的反馈上再决定哪些信息能够作为评价依据。[5§5]3 用小范围对照检验路由与更新是否有效有了技能描述和执行记录可以在仿真中先比较固定选技能、结合当前状态选技能、再加入历史经验三种方式。保持任务条件和尝试预算一致观察整条任务完成率是否改善。更新某个技能之后再跑一遍此前成功的任务检查收益是否伴随旧能力退化。这样的验证从接口和反馈开始规模可以很小。若后续引入世界模型还要额外检查它预测的变化与执行反馈是否一致以及预演带来的计算延迟是否适合任务节奏。只有这些环节逐步对应起来论文里的闭环才可能成为具体机器人的开发流程。七 把失败记录变成下一次选择的依据读完 EvoWorld我更看重它对技能更新方式的组织已有策略负责动作世界模型帮助比较动作后果评价与经验记忆决定后续优先调整哪里。论文在多类骨干、闭环后训练和有限真机任务上给出了积极结果也留下了预测准确性、诊断可靠性和长期技能保持这些需要继续验证的问题。对启元开发者而言一个可以先落实的改进是让每个 Skill 除了动作本身还带着清楚的适用条件、完成条件和执行反馈。这样技能数量增加之后开发者才有机会回答一个实际问题同样的失败再发生时系统能否依据上一次的记录作出更合适的选择。参考资料[1] Zhang, B., Cui, S., et al. EvoWorld: A World-Model-Centric Framework for Continuous Self-Evolution of Modular Embodied Skills. ECCV 2026, LNCS 17074, pp. 410–427. 2026 年 9 月 15 日在线出版。正文与配图据所附正式论文。论文出版页[2] EvoWorld 官方补充材料。重点参见 A.2—A.4、表 3以及 B 节表 4—6。由论文出版页的 Supplementary material 1 获取。官方补充材料[3] 启元机器人开发者社区。PrimeConsole 与 SDK、仿真资料下载页。访问日期 2026 年 10 月 18 日。PrimeConsole 与开发资料[4] 启元 Q1 官方产品页。二次开发能力及探索版适用范围。访问日期 2026 年 10 月 18 日。启元 Q1 官方介绍[5] PRIMEBOT 官方 Q1 SDK 快速入门与集成指南。第 5 节开发者模式说明及当前支持状态。访问日期 2026 年 10 月 18 日。Q1 SDK 快速入门与集成指南启元机器人开发者社区如果你想进一步了解启元 Q1 开放能力、SDK 以及 Skill 开发可以访问启元机器人开发者社区参考社区资料和开发案例让论文中的模块化技能思路进一步落地。hello这里是 晓雨的笔记本。如果你喜欢我的文章欢迎三连支持点赞 关注 评论我会持续分享有用、有趣的技术内容。欢迎大家点开下面名片添加好友交流。
阅读完成 · 觉得有帮助？
