# 97.2% 的轨迹算对了，66.7% 的活干成了：中间那 30 个点花在机械臂上

> RoboScience 的 WorldFlow 把三维运动和视频放在同一个生成过程里预测，17 个数据源、约 144 万条样本训练。真机上它把「生成正确轨迹」的概率从 25.0% 拉到 97.2%，把「操作成功」从 11.1% 拉到 66.7%。两个数字差 30.5 个百分点——预测对了不等于执行对了，这 30 个点才是这条路线现在真正的定价点。

### TLDR

- **方法**：把三维运动当作与视频**并列的独立生成模态**，在同一生成过程里同步预测未来画面与物体三维轨迹，不再走「先生成视频、再从像素里反推轨迹」的两段路。
- **数据**：整合仿真、机器人操作、人类操作共 **17 个数据源**，构建约 **144 万条**训练样本；每条样本同时带操作视频与被操作物体的三维轨迹。
- **消融**：与「只预测三维运动、不生成视频」的同架构变体相比，加入视频监督后 ADE 在仿真/真实/空间认知三个场景分别降 **48.5%／19.8%／55.9%**，FDE 降 **54.4%／25.7%／68.5%**。
- **真机**：12 项抓放、堆叠、相对摆放任务，与 μ₀ 共用同一套抓取与控制系统，生成正确轨迹的概率 **25.0% → 97.2%**，真机操作成功率 **11.1% → 66.7%**。
- **关键落差**：轨迹 97.2% 对成功率 66.7%，**差 30.5 个百分点**。这一段不在世界模型里，在抓取与控制的适配里。
- **判断**：把「物体该怎么动」当成跨本体的规划接口，比把「未来画面长什么样」当接口更接近可交付，但代价是模型必须相信自己的轨迹，而机械臂未必跟得上。

### SRC

主源为 **2026-11-20 16:21** 机器之心 Pro 发布的解读稿（网易转载地址 https://www.163.com/dy/article/LC6L3DE80511AQHO.html ），稿件披露论文题名、arXiv 编号 **2610.39278**（https://arxiv.org/abs/2610.39278 ）与项目页 worldflow-rbs.github.io。素材时间窗为**当日 09:00 → 19:00**，该解读稿落在窗口内，属窗口内条目；但需说明一点：arXiv 编号 2610.39278 对应 **2026 年 10 月**的投稿批次，论文本身并非本窗口新挂出，本窗口内新增的是**中文媒体解读与更完整的实验细节**，这一点与前几日本号拆解的 Z-sight（2611.24940）、Phoenix（2611.24938）两篇「当日挂网」的情形不同，属规则二「近 3 日行业进展的补充解读」，差异在于本篇处理的是**世界模型与执行之间的接口位置**，不是又一次成功率排序。核查方式与边界：①17 个数据源、144 万条样本、ADE／FDE 降幅、25.0%→97.2%、11.1%→66.7% 全部引自该解读稿转述的论文自报数据，**本号未读论文原文，未获第三方复现**，属**单一信源**；②「12 项任务」为任务数，不是试验次数，66.7% 对应的具体分母（每项几次、失败判定标准）本篇未核，故本文不对 66.7% 做置信区间估计，避免像 11-20 上午批那样在没有 n 的情况下硬算；③μ₀ 为论文选取的对照模型，其原论文成绩本号未独立核对；④「正确轨迹概率」的口径（判定为「对」的距离阈值或成功率定义）本篇未见说明，仅按原文表述引用。与本号 2026-11-20《44 次成功、60 次试验》（Z-sight）的差异：那篇讨论的是**单个 VLA 模型的抽样统计**，本篇讨论的是**世界模型的预测精度与执行成功率之间的落差**。全部判断以「判断：」开头。

### BODY

<p>先把两个数并排放在一起：<strong>97.2%</strong> 和 <strong>66.7%</strong>。</p>

<p>前者是 WorldFlow 生成「正确三维轨迹」的概率，后者是它在真机上把 12 项任务做成的比例。同一个系统、同一批任务、同一套抓取与控制系统，前者比后者高 <strong>30.5 个百分点</strong>。</p>

<p>这 30.5 个百分点，是这篇工作最值得读的地方。它把「想对了」和「做成了」之间的距离，第一次用两个可以对齐的数摆了出来——而这个距离，恰恰是所有人形机器人进厂时真正卡住的位置。</p>

<div class="sec">
<div class="eyebrow">一、它绕开了两条现成的路</div>

<p>机器人要「预见未来」，过去有两条路，各有各的坑。</p>

<p>第一条是视频生成：拿海量视频训练一个能画出「下一秒画面」的模型，再从画出来的像素里，靠几何重建和运动跟踪去反推物体的三维位移。问题是误差会累积——第一帧偏两厘米，第十帧可能偏二十厘米，而抓取需要的精度是毫米级。而且画面里大量像素对操作毫无意义：桌上地毯的花纹、墙上海报的字，模型照样要花算力去画。</p>

<p>第二条是直接预测三维轨迹，跳过画面。这条路干净，但它丢掉了物理世界的视觉信号——模型不知道两个物体是怎么接触的、哪里会打滑、遮挡关系怎么变化。缺少这些，预测在一张新桌子上就失效。</p>

<p>WorldFlow 的做法是把两条路并起来：让三维运动和视频<strong>在同一个生成过程里同时去噪</strong>。视频分支提供外观、接触、遮挡这些视觉线索，运动分支提供空间位移，两边的信息通过双向注意力交换。为了让模型知道「哪个三维点对应画面里的哪个像素」，团队加了两套编码：三维点几何编码管空间位置关系，时空位置编码管轨迹与画面的对应。</p>

<p>这里有个容易被忽略的设计选择：它没有把三维运动做成视频的「副产品」，而是做成<strong>与视频并列的独立生成模态</strong>。差别在于，副产品要靠解码器从画面里抠出来，独立模态则是模型直接从数据里学的。前者是工程，后者是学习。</p>
</div>

<div class="sec">
<div class="eyebrow">二、消融实验里最硬的一组数</div>

<p>论文做了两组对照，都值得摆出来。</p>

<p>第一组：把「生成视频」这一路拿掉，其它架构、数据、超参全不变，只预测三维运动。结果很直接——视频监督这一路不是装饰，它把轨迹预测精度拉高了一大截。</p>

<div class="jx-bars">
<div class="jx-bar-row"><div class="jx-bar-lab">空间认知 ADE</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:55.9%"></div></div><div class="jx-bar-val">-55.9%</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">仿真 ADE</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:48.5%"></div></div><div class="jx-bar-val">-48.5%</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">真实 ADE</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:19.8%"></div></div><div class="jx-bar-val">-19.8%</div></div>
<div class="jx-legend"><div class="jx-lg">加入视频监督后，三维轨迹预测误差（ADE）的降幅；FDE 降幅同序为 68.5%／54.4%／25.7%。数据为论文自报，抓取日期 2026-11-20。</div></div>
</div>

<p>三个场景里，<strong>真实场景只降了 19.8%</strong>，是三者中最小的。这个数比另外两个更值得注意：仿真和空间认知场景里，视频监督带来的收益接近一半以上；到了真实场景，收益掉到两成。原因不难猜——真实场景的接触、形变、摩擦，比仿真难预测得多，视频能提供的线索也最模糊。</p>

<p>第二组更狠：拿它跟「先生成视频、再用 Track4World 之类方法跟踪轨迹」的两阶段方案比。ADE 在三个场景分别降 42.0%／19.0%／27.7%，FDE 降 46.0%／26.6%／43.5%。也就是说，两阶段方案那条看起来更稳妥的路，在真实场景同样只有 19% 的优势——和一阶段方案打平在同一个数字上。</p>

<div class="keypoint">判断：真实场景那 19% 是个天花板信号。三个场景里，仿真与空间认知都能靠视频监督拿到 48% 以上的改善，唯独真实场景卡在两成——这说明「视频里能学到的物理」，和「真实世界里决定成败的物理」，中间还有一段没被覆盖。这一段大概率是力、摩擦、形变，也正是触觉传感这两年重新变热的原因。</div>
</div>

<div class="sec">
<div class="eyebrow">三、97.2% 到 66.7%，那 30 个点在谁手里</div>

<p>真机实验设了 12 项任务，覆盖三类能力：抓取放置、物体堆叠、相对摆放。模型和对照模型 μ₀ 使用<strong>同一套抓取与控制系统</strong>——这个前提很关键，它把变量锁在了「预测」这一层。</p>

<div class="jx-cols">
<div style="flex:50">
<div class="eyebrow">生成正确轨迹的概率</div>
<p>μ₀ <strong>25.0%</strong><br>WorldFlow <strong>97.2%</strong><br>提升 3.9 倍</p>
</div>
<div style="flex:50">
<div class="eyebrow">真机操作成功率</div>
<p>μ₀ <strong>11.1%</strong><br>WorldFlow <strong>66.7%</strong><br>提升 6.0 倍</p>
</div>
</div>

<p>两组数都在涨，但涨法不一样。轨迹概率从四分之一涨到接近满分，等于说「物体该往哪走」这个问题基本被解决了；成功率从九分之一涨到三分之二，等于说「把它送到那儿」这个问题解决了六成。</p>

<p>剩下的三成卡在哪？论文没拆。但可以按工程常识列一遍：抓取点选得对不对、夹爪开合时机、腕部姿态能不能跟上预测轨迹、碰撞检测有没有提前介入、以及最要命的——预测是按物体质心算的，实际抓的是物体的一个面，质心轨迹对了，夹持点未必对。</p>

<p>更值得注意的是成功率 66.7% 这个数本身：<strong>每三次里还有一次失败</strong>。这个水平放在实验室是突破，放在产线上是不能交付。一条一天跑五百次的产线，三分之一的失败率意味着每小时三十多次干预。</p>

<div class="keypoint">判断：把 97.2% 和 66.7% 之间的 30.5 个百分点单独拿出来看，它其实是「世界模型」这个品类当前的真实定价点。谁能在不换模型的前提下把这 30 个点吃掉一半，谁就拿到了从演示走向交付的钥匙——而这部分工作大概率不在模型里，在末端执行器和力控里。</div>
</div>

<div class="sec">
<div class="eyebrow">四、144 万条样本买的是什么</div>

<p>数据侧的数字是 17 个数据源、约 144 万条训练样本。每条样本包含两样东西：一段任务指令下的操作视频，和被操作物体在三维空间里的运动轨迹。</p>

<p>这个「每条样本都必须带轨迹」的要求，把可用数据的门槛抬得很高。网上现成的操作视频有几千万条，但绝大多数没有对应的三维标注——你不知道视频里那只手到底把杯子挪了多少厘米、走了哪条弧线。所以 144 万条这个数，看着不算大，实际是从更庞大的池子里筛出来的，靠的是仿真合成、机器人遥操作采集、以及人类操作视频的自动标注三条管道。</p>

<p>17 个数据源混在一起训练，有个副作用值得记一笔：不同来源的轨迹坐标系、采样率、标注噪声都不一样。模型要在这种混杂里学出一个统一的三维运动先验，本身就带着正则化的意味——这大概是它在真实场景也能零样本跑起来的原因之一。</p>

<p>论文给的应用示例是「把绿色饼干盒放在半透明盒子上」：模型预测盒子的移动轨迹与落点，机器人再结合自身臂展、关节约束和抓取方式规划动作。这个流程里，<strong>预测输出的不是画面，是一个目标点序列</strong>——接口变了，下游才能接。</p>

<div class="keypoint">判断：把「物体三维轨迹」当成跨本体的规划接口，是个比「未来视频」更实用的选择。同一个任务，轮式底盘和双足平台可以共享同一个物体运动目标，各自用自己的控制去实现。这对做多机型交付的团队有直接意义：模型换一次，接口不用跟着换。</div>
</div>

<div class="sec">
<div class="eyebrow">五、读这篇该带走什么</div>

<p>三条。</p>

<p>第一，看世界模型的论文，先找「预测精度」和「执行成功率」两个数，别只看前者。只报预测精度的，等于只报了半个结果；两个都报且落差明确的，才值得花时间读方法。</p>

<p>第二，看消融时分场景看。仿真、真实、空间认知三个场景的降幅差三倍，说明模型的强项集中在「有清晰几何线索」的场景。真实场景那 19% 才是它现在的能力刻度。</p>

<p>第三，别把 66.7% 当成「快能用了」。三分之一的失败率，在展厅里叫亮点，在产线上叫停线。判断一项具身技术能不能进厂，先问它有没有给出<strong>连续运行的小时数</strong>和<strong>人工干预率</strong>——这两个数，这篇论文没有。</p>

<div class="srcline">来源：论文 arXiv:2610.39278；中文解读见机器之心 Pro，2026-11-20 16:21。全部成功率与误差降幅为团队自报，未经第三方复现。</div>
</div>

---

*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/worldflow-972-trace-667-success-gap/*
