# 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」。

### TLDR

- **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。

### SRC

主源为 **36氪 2026-11-17** 稿（https://36kr.com/p/4073551168115592 ），三个评测数字（0.9721／0.9722／3.33 及两个对比基线）与「15 项任务评估」的表述均出自该稿；腾讯新闻同日两版稿件（https://news.qq.com/rain/a/20261117A08GDA00 、https://news.qq.com/rain/a/20261117A04VQW00 ）提供了技术路径的三段式描述与「空间语义／运动先验／真实示范」三种驱动范式；钛媒体 **2026-11-17** 快讯（https://so.html5.qq.com/page/real/search_news?docid=70000021_5956afbe7a592852 ）补充了「Blender 场景程序」这一实现细节与「已开源」状态；红星新闻／成都商报 **2026-11-17 17:45** 稿（https://static.cdsb.com/micropub/Articles/202611/f3853a0112f72a3d8860218cb655a1bc.html ）提供了申恒涛院士对「一次拍完变三个场景」「三台相机共用一套动作」的现场演示口径，以及成都 AI 产业 2025 年 1500 亿元、1200 余家企业的背景数。素材时间窗为**当日 09:00 → 19:00（2026-11-17）**，四篇稿件均落在窗口内。

与本号既有解读的差异：**no.766／no.776（11-15、11-16）写的是华为云 CloudRobo WM1.2 的发布与开源，落点是「两个 88.98%／81.7% 全在仿真榜」**；本篇的对象、方法、指标完全不同——BWM-Forge 不在比任务成功率，比的是生成视频的主体一致性、背景一致性与指令对齐，两者不能混为一谈。no.772（11-15 MotrixSim）是仿真器性能，no.756（大晓 ACE-CaP-0）是动作生成成本，均无重叠。**本篇不重复 776 的「仿真榜不等于真机」结论，而是指出一个更靠前的缺口：连仿真任务指标都没有。**

边界与不确定：①**三个指标的对照方法（LingBot-World Base Cam）是官方给出的基线，其版本、训练数据、评测脚本均未公开**，横向可比性无法独立验证；②VBench-Long 与 RoboJudge-9B 均为视频质量／指令对齐类评测，**不衡量下游机器人任务成功率**，这是本文的核心批评点，也是官方自己承认的待验证项；③「一个动作变三个场景、三台相机、多种本体」是**演示口径**，未给出批量生成的失败率、场景漂移率与人工复核成本；④「已开源」的具体范围（模型权重、场景程序、Agent 代码是否全部放出）钛媒体表述为「该项目已开源」，本文按此转述，**未逐项核对仓库内容**；⑤成都 2025 年 AI 核心产业 1500 亿元、企业 1200 余家为地方口径，出自红星新闻引述的官方数据，未做交叉；⑥文中关于成本结构、指标口径、评测缺口的论述均为作者判断。版权与免责声明由模板自动附加。

### BODY

<p>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。</p>

<p>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<strong>采集的不可复用</strong>——同一个动作，三个场景就是三倍的钱。</p>

<p>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。</p>

<div class="sec">
<div class="eyebrow">一、这条链怎么跑：先写骨架，再补皮</div>

<p>官方给的流程是三段：</p>

<p><strong>第一段，用代码搭骨架。</strong>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。</p>

<p><strong>第二段，渲代理视频。</strong>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。</p>

<p><strong>第三段，交给视频生成模型补细节。</strong>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。</p>

<p>三段的分工很清楚：<strong>代码负责「对不对」，生成模型负责「像不像」</strong>。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。</p>

<div class="keypoint"><strong>判断：</strong>以前的做法是「拍一次、用一次」，想复用得靠人重新搭台。BWM-Forge 的做法是「写一次、渲多次」，中间那一层场景程序就是资产。资产化的意义不只是省钱，是<strong>可审计</strong>——同一条场景程序换个机位渲出来的两批数据，能证明它们来自同一个物理设定；靠实拍则永远证明不了这件事。</div>
</div>

<div class="sec">
<div class="eyebrow">二、真正的开关在哪：三个变量被做成了参数</div>

<p>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。</p>

<div class="jx-cols">
<div style="flex:50">
<div class="cap"><strong>换场景</strong></div>
<p>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。</p>
<p><strong>省的是搭台成本</strong>：传统拍法三个场景要搭三次台、走三次流程。</p>
</div>
<div style="flex:50">
<div class="cap"><strong>换机位 / 换本体</strong></div>
<p>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。</p>
<p>本体也能换，同一套场景程序可以套到机械臂、轮式、人形上。<strong>省的是「机器人自己看到的世界」这类最难采的视角。</strong></p>
</div>
</div>
<div class="cap">表注：三类复用的描述据 2026-11-17 红星新闻对申恒涛院士的现场采访与腾讯新闻同稿；「省的是……」为作者按成本结构归纳，非官方表述。</div>

<p>三个变量里，第一视角这一项最被低估。</p>

<p>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<strong>机器人自己眼睛里看到的那一帧</strong>：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。</p>

<p>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。</p>
</div>

<div class="sec">
<div class="eyebrow">三、三个指标拆开看：差的是零点零几，不是零点几</div>

<p>官方给了 15 项任务评估里的三个数。摊开看：</p>

<div class="jx">
  <div class="jx-h"><span>三项评测：BWM-Forge 与对比基线</span><span class="jx-note">15 项任务评估中的三项，2026-11-17</span></div>
  <div class="jx-bars">
    <div class="jx-bar-row"><div class="jx-bar-lab">主体一致性（BWM-Forge）</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:97%;background:#0a749a"></div></div><div class="jx-bar-val">0.9721</div></div>
    <div class="jx-bar-row"><div class="jx-bar-lab">主体一致性（对比基线）</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:95%;background:#4b5f8a"></div></div><div class="jx-bar-val">0.9480</div></div>
    <div class="jx-bar-row"><div class="jx-bar-lab">背景一致性（BWM-Forge）</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:97%;background:#00a6d6"></div></div><div class="jx-bar-val">0.9722</div></div>
    <div class="jx-bar-row"><div class="jx-bar-lab">背景一致性（对比基线）</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:96%;background:#566781"></div></div><div class="jx-bar-val">0.9578</div></div>
    <div class="jx-legend"><div class="jx-lg">柱长为原始分值直接映射（0.9480 与 0.9721 在视觉上几乎等高），差距 0.0241 与 0.0144。指数型指标的差距要看绝对值，不能看柱长比例</div></div>
  </div>
  <div class="cap">图注：两项一致性指标都已在 0.94 以上，属于「都很好」的区间，差距体现在小数点后第二位。数据据 36氪 2026-11-17 稿。</div>
</div>

<p>第一件事要提醒：<strong>这两个一致性指标，基线本来就已经很高</strong>。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——<strong>没有逐任务的分解表，就无法判断这两种情况</strong>。官方给的是 15 项任务的平均或代表值，不是每项。</p>

<p>第三个数不一样。<strong>RoboJudge-9B 指令对齐 3.33 对 2.73</strong>，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。</p>

<div class="keypoint"><strong>判断：</strong>三个指标里，只有指令对齐那 0.6 的差距是「可感知」的，两个一致性指标 0.02 量级的差距在工程上更接近「同档」。对外传播时把三个数并列，容易让人以为提升是均衡的；实际上真正有意义的只有第三项，而它恰恰是最难被外行读懂的一项。</div>
</div>

<div class="sec">
<div class="eyebrow">四、缺的那一块：没有一个数回答「机器人学会了没有」</div>

<p>到这里必须说清一个结构性问题。</p>

<p>VBench-Long 测什么？测生成视频在长时序上的<strong>画面质量与主体稳定性</strong>——主体不漂移、场景不跳变。RoboJudge-9B 测什么？测视频<strong>与指令的对齐程度</strong>——说「搬起箱子」的画面里是不是真的搬起了箱子。</p>

<p>这两个都是好指标，但它们回答的是同一类问题：<strong>这段视频能不能用</strong>。</p>

<p>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。</p>

<p>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，<strong>并进一步验证生成视频对下游机器人学习的实际增益</strong>。这句话是诚实的，也是这类发布绕不开的一道关。</p>

<div class="jx-cols">
<div style="flex:50">
<div class="cap"><strong>有的三个数</strong></div>
<p>主体一致性 0.9721<br>背景一致性 0.9722<br>指令对齐 3.33</p>
<p>性质：<strong>视频质量类指标</strong>，评测对象是生成结果本身。</p>
</div>
<div style="flex:50">
<div class="cap"><strong>缺的一个数</strong></div>
<p>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）</p>
<p>性质：<strong>下游任务指标</strong>，评测对象是学出来的策略。本次未给出。</p>
</div>
</div>
<div class="cap">表注：左侧三项据 36氪 2026-11-17 稿；右侧缺席项据腾讯新闻同稿结尾「进一步验证……实际增益」的表述推断，属作者归纳。</div>

<p>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 <strong>88.98% 与 81.7%</strong> 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。</p>

<div class="keypoint"><strong>判断：</strong>这不是 BWM-Forge 一家的毛病，是世界模型这条赛道共同的口径困境。<strong>因为它的产品形态是「数据生产工具」，工具的好坏本来应该由「用这个工具训出来的模型好不好」来定义，而那需要一个完整的下游训练加真机评测闭环。</strong>做工具的团队通常跑不完这个闭环，于是退回到「视频质量」这类可自测的指标上。行业要真正比较这类工具，缺的是一套统一的「合成数据 → 训练 → 真机成功率」基准，而不是又一个视频生成榜单。</div>
</div>

<div class="sec">
<div class="eyebrow">五、开源这件事，比指标更值得关注</div>

<p>钛媒体快讯里有一句容易被略过的话：项目已开源。</p>

<p>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<strong>这类工具的价值取决于生态，不取决于单点指标</strong>：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。</p>

<p>但开源也带来一个现实问题：<strong>可编程的世界意味着可编程的偏差</strong>。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）。</p>

<div class="keypoint"><strong>判断：</strong>下一步真正决定这套东西能不能被用起来的，不是再刷高几个视频指标，是<strong>有没有人把「场景程序 + 本体资产 + 相机模板」做成可共享的库</strong>。一个只有官方示例场景的开源框架，价值等于一个演示；一个积累了上百个工业场景程序、几十种本体描述的开源库，才是基础设施。这件事靠一家公司做不完，得看社区接不接。</div>

<p>至于这篇该给什么结论：<strong>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。</strong></p>

<div class="srcline">信源：36氪 2026-11-17 稿（https://36kr.com/p/4073551168115592 ）提供三项评测数字；腾讯新闻同日两稿（https://news.qq.com/rain/a/20261117A08GDA00 、https://news.qq.com/rain/a/20261117A04VQW00 ）提供技术路径与三种驱动范式；钛媒体 2026-11-17 快讯提供 Blender 实现细节与开源状态；红星新闻／成都商报 2026-11-17 17:45 稿提供现场演示口径。对比基线的方法细节、开源范围、下游增益均未公开，正文已标注。所有关于指标口径与评测缺口的论述为作者判断。</div>
</div>

---

*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/bwm-forge-programmable-world-15-benchmarks/*
