# WEAVER：一种更优、更快、更长的机器人操作世界模型

- 来源：HuggingFace Daily Papers（社区热门论文）
- 发布时间：2026-06-11 08:00
- AIHOT 分数：75
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.virxact.com/items/cmqac9xuf0k4pslld3pzhn7m3
- 原文链接：https://arxiv.org/abs/2606.13672

## 精选理由

世界模型在机器人操控上第一次同时跑通了「高保真、长时一致、高推理效率」这三个硬指标，真机实验把成功率拉高38%，代码模型全开源，搞具身智能的值得认真读。

## AI 摘要

WEAVER是一种多视图世界模型架构，通过流匹配损失训练预测未来潜变量和奖励值，满足保真度、一致性和效率三个要求。在机器人操作任务上，WEAVER在政策评估中与真实成功率的相关系数ρ=0.870，在π₀.₅基础模型基础上实现政策改进成功率提升38%，测试时规划成功率提升14%，且速度比先前世界模型快5–10倍。在分布外场景下表现也优于先前世界模型。代码、模型和视频已开源。

## 正文

世界模型（WM，即可学习模拟器）对机器人领域的潜在影响是深远的——它可用于策略评估、策略改进以及测试时规划——且所有这些都只需有限的实际交互。为了释放这些下游能力，WM 需要同时满足三个需求：(i) 保真度（即生成的模拟轨迹与现实相关），(ii) 一致性（即生成的模拟轨迹在长时间跨度内保持连贯），以及 (iii) 效率（即快速生成模拟轨迹）。我们提出 WEAVER（World Estimation Across Views for Embodied Reasoning，具身推理的跨视角世界估计）：一种同时实现全部三个需求的 WM 架构，在机器人操作任务上达到了最先进水平。WEAVER 是一个多视角 WM，通过流匹配损失来预测未来隐状态和奖励值。我们提炼了模型架构、记忆和预测目标中的关键设计决策，这些决策对于解锁以往 WM 方法难以处理的长期动态操作任务至关重要。我们将 WEAVER 应用于机器人硬件，展示了其在策略评估（与现实成功率的相关系数 ρ=0.870）、策略改进（在 π_{0.5} 机器人基础模型基础上现实成功率提升 38%）以及测试时规划（现实成功率提升 14%，且相比之前 WM 有 5-10 倍加速）方面的有效性。在分布外场景下评估时，WEAVER 也展现出比之前 WM 更优的性能。代码、模型和视频见：https://arnavkj1995.github.io/WEAVER/ 。