15 项评测、3 个视频指标、0 个下游任务:BWM-Forge 把「世界」做成了可执行程序
一个动作拍一次,能换三个场景、三个机位、多种本体——BWM-Forge 把环境从「布景」变成「参数」,这是数据生产成本结构上的真变化。但它给出的三个评测数字全在比视频像不像,没有一个回答机器人学会没有,团队自己在文末写了「进一步验证中」。
- 发布:2026-11-17,成都考拉悠然联合同济大学空间智能团队发布悠然无界系列新成果 BWM-Forge,已开源(钛媒体同日快讯)。
- 做法:用 Agent 写一段可执行的三维场景程序(Blender),显式定义机器人本体、物体布局、运动轨迹、相机路径;先渲出代理视频,再由视频生成模型补材质、光影与环境细节。
- 三种范式:空间语义驱动、运动先验驱动、真实示范驱动——对应「用语言描述任务」「用运动先验约束」「用真实示范喂进去」三条入口。
- 复用:一段动作可换 3 个场景、3 个机位、多种本体,把数据成本从「每次重拍」改成「一次搭建、多次复用」。
- 三个指标:15 项任务评估中,VBench-Long 主体一致性 0.9721(对比基线 0.9480)、背景一致性 0.9722(0.9578)、RoboJudge-9B 指令对齐 3.33(2.73)。
- 判断:三个数全是「视频像不像」,没有一个「机器人学会没有」。团队自己在结尾写明「进一步验证生成视频对下游机器人学习的实际增益」——这句才是这份成果真正的待办项,也是所有世界模型类发布共同的缺口。
先说这件东西到底在解决什么问题,因为「世界模型」这四个字已经把太多不同的东西装进去了。
训练一台机器人学会在厨房拿杯子,常规做法是真人穿外骨骼或遥操作演示几百遍。麻烦在于:换个场景要重搭台,换个机位要重拍,换个本体要从头再来。数据是具身智能最贵的一项成本,而它的贵不在采集本身,在采集的不可复用——同一个动作,三个场景就是三倍的钱。
BWM-Forge 的切入点就在这:把「环境」从布景里拆出来,变成可以单独调的一层参数。
官方给的流程是三段:
第一段,用代码搭骨架。由一个 Agent 写出一段可执行的三维场景程序(实现上用 Blender),里面显式定义了四样东西——机器人在哪、物体怎么摆、运动轨迹怎么走、相机从哪个角度看。这四样都是可改的参数,不是渲染出来的像素。
第二段,渲代理视频。按骨架渲出一版低保真的「代理视频」,用来检查结构与运动对不对——机器人的手有没有穿过箱子、相机路径会不会被货架挡住、动作阶段是不是接得上。
第三段,交给视频生成模型补细节。把代理视频、参考图像和提示词一起喂进去,补上材质、光影、环境纹理,输出可以直接进训练集的高保真画面。
三段的分工很清楚:代码负责「对不对」,生成模型负责「像不像」。这个切分是这套方案里最值得学的一点——它把可控性留在了确定性的一侧,把不确定性交给了生成。
官方强调了三个可换的东西:场景、机位、本体。这三个恰好对应训练数据里最贵的三项成本。
同一个搬箱动作,可以放进市场(旁边有摊位和遮阳棚)、仓库(挑高大堂)、垂直农场(两侧成排植物)。机器人和箱子不变,变的是环境与光线。
省的是搭台成本:传统拍法三个场景要搭三次台、走三次流程。
同一段四足机器人在工厂走、转弯、爬楼梯的动作,可同时架三台相机:远景看路线、跟拍看身体、第一视角看前方台阶。
本体也能换,同一套场景程序可以套到机械臂、轮式、人形上。省的是「机器人自己看到的世界」这类最难采的视角。
三个变量里,第一视角这一项最被低估。
训练 VLA 模型最缺的从来不是第三人称视频——网上有几百万小时人类活动的视频。缺的是机器人自己眼睛里看到的那一帧:手在画面下方露出多少、目标物体在视野里的相对位置、接近时的尺度变化。这类数据过去必须真机戴相机采,采一次只能得一条。
BWM-Forge 把相机路径写成参数,等于把「第一视角」变成了改一行配置的事。这是它比「多生成几个场景」更有价值的那个点。
官方给了 15 项任务评估里的三个数。摊开看:
第一件事要提醒:这两个一致性指标,基线本来就已经很高。0.9480 到 0.9721 差 0.0241,0.9578 到 0.9722 差 0.0144。在 0.94 以上的区间里,这种量级的提升可能来自某几个特定任务的表现改善,也可能来自指标本身的饱和——没有逐任务的分解表,就无法判断这两种情况。官方给的是 15 项任务的平均或代表值,不是每项。
第三个数不一样。RoboJudge-9B 指令对齐 3.33 对 2.73,相差 0.6,是三个指标里相对差距最大的一个。它衡量的是「生成的画面有没有真的按任务指令完成那个动作」——对下游训练来说,这一项比画质更重要,因为一条指令对不上的视频进训练集就是噪声。
到这里必须说清一个结构性问题。
VBench-Long 测什么?测生成视频在长时序上的画面质量与主体稳定性——主体不漂移、场景不跳变。RoboJudge-9B 测什么?测视频与指令的对齐程度——说「搬起箱子」的画面里是不是真的搬起了箱子。
这两个都是好指标,但它们回答的是同一类问题:这段视频能不能用。
而数据生产的终点不是「视频能用」,是「模型学了这段视频之后,在真机上成功率高了多少」。这个数,这次没有。
官方自己写得很清楚:下一步将继续扩大任务覆盖、完善自动审查与生成流程,并进一步验证生成视频对下游机器人学习的实际增益。这句话是诚实的,也是这类发布绕不开的一道关。
主体一致性 0.9721
背景一致性 0.9722
指令对齐 3.33
性质:视频质量类指标,评测对象是生成结果本身。
用这批合成数据训练之后,真机任务成功率提升了多少(百分点)
性质:下游任务指标,评测对象是学出来的策略。本次未给出。
对比一下同类发布就更清楚了。11-16 华为云开源 CloudRobo WM1.2,给的是 88.98% 与 81.7% 两个仿真任务成功率——虽然本号已经指出那两个数全在仿真榜上、真机指标为零,但它至少给了「任务成功率」这个量纲。BWM-Forge 这次连仿真任务成功率都没有,只有视频层指标。
钛媒体快讯里有一句容易被略过的话:项目已开源。
对一套数据生产工具来说,开源的分量可能比那几个 0.97 更大。原因在于这类工具的价值取决于生态,不取决于单点指标:一个团队做出可编程场景程序,只有别人也在上面写场景、贡献本体资产、复用相机模板,成本才会真的降下来。闭源的话,每家都要重复造一遍骨架。
但开源也带来一个现实问题:可编程的世界意味着可编程的偏差。场景程序写得越自由,生成出来的数据分布就越依赖写程序的人。用同一套工具的两个团队,可能产出分布完全不同的数据集——这在评测上是优点(可覆盖更多分布),在复现上是麻烦(别人复不出你的数据)。
至于这篇该给什么结论:BWM-Forge 解决的是「数据从哪来、怎么便宜地来」这个真问题,方法是把环境参数化,这一点成立且有价值。它没有解决的是「合成数据到底能不能替代实拍数据」——这个问题的答案不在它的论文里,在下一个用它训出模型、并愿意公布真机成功率的团队手里。