智元機械人發佈並開源首個機械人動作序列驅動的世界模型

近日，智元機械人重磅發佈具身智能領域雙重里程碑式突破：全球首個基於機械人動作序列驅動的具身世界模型 evac (enerverse-ac)，以及具身世界模型評測基準 ewmbench。這兩大創新成果現已全面開源，旨在構建「低成本模擬 - 標準化評測 - 高效迭代」的全新開發範式，持續賦能全球具身智能研究，加速技術落地與產業發展。

evac arxiv：https://arxiv.org/abs/2505.09723

evac 開源代碼：https://github.com/agibottech/enerverse-ac

ewmbench arxiv: https://arxiv.org/abs/2505.09694

ewmbench 開源代碼：https://github.com/agibottech/ewmbench

當前具身智能演進面臨兩大關鍵制約：在測試階段，真機驗證代價大、風險高，仿真系統又受制於虛實偏差；在數據層面，海量真機數據尚未構建基於軌跡擴增的高效利用機制，限制了多樣性生成與泛化訓練。為打破困局，智元機械人在去年發佈的世界模型架構 enerverse 基礎上推出創新成果：基於動作序列驅動的世界模型 evac 與具身世界模型評測榜單 ewmbench，構建從訓練到評測全鏈路技術閉環，重新定義具身世界模型研發範式。

evac 是一個能夠動態復現機械人與環境複雜交互的世界模型，標誌着從傳統仿真到生成式模擬的躍遷。

evac 基於前序工作 enerverse 架構持續演進，創新型引入多級動作條件注入機制，實現 「物理動作 - 視覺動態」 的端到端生成，其核心能力體現在以下幾個方面：

• 機械人動作與像素的高精度對齊：將機械臂 6d 位姿（x,y,z,roll,pitch,yaw）與末端執行器行程投影為 action map，確保物理動作與圖像幀的像素級對齊，精準建模 「抓取」、「放置」、「碰撞」、「推拉」、「快速拋擲」、「緩慢搖晃」 等複雜動力學行為；
• 動態多視圖建模：引入 ray map 編碼相機運動軌跡，支持頭部 、腕部等多視角協同生成一致且連貫的視覺場景，賦予機械人更全面的環境生成能力。；
• 卓越的長時序一致性：採用 chunk-wise 自回歸擴散架構與稀疏記憶機制（sparse memory），evac 能夠實現單視圖穩定生成長達 30 個連續片段、多視圖下亦可維持 10 個連續片段的無漂移穩定輸出，保證了模擬過程在時間軸上的連貫性與真實性；
• 數據高效利用：融合 agibot-world 數據集 + 失敗軌跡（如抓取滑脫、路徑碰撞）提升生成質量，該策略能有效抑制幻覺現象，使模型能更合理、更全面地建模機械人與環境的交互動態。

• 生成式仿真評測

針對真機評測成本高、風險大、難以復現等痛點，evac 開創性地提出了生成式模擬評測方案，它能與待評測的策略模型進行交替推理，構建起一套完整的交互式評測管線。實驗顯示，在多個任務中，evac 所生成的評測結果與真機評測的成功率具有高度一致性，甚至能夠可靠地識別出性能更優的模型權重，大幅提升了策略模型的篩選效率。

• 數據增廣引擎

evac 能夠基於極少量的專家軌跡數據，通過動作插值與高保真畫面生成技術進行大規模數據增廣。應用結果表明，採用 evac 數據增廣數據訓練的策略模型，其任務成功率提升高達 29%，目標跟隨性得到顯著改善，驗證了這一方案在具身智能研究中的實用性與高性價比。

為了科學、系統地衡量具身世界模型的性能表現，智元機械人推出了全球首個具身世界模型評測基準——ewmbench，旨在填補行業空白，構建統一、可信的評測標準。

針對機械人操作場景的複雜性與特殊性，ewmbench 構建了立體化的評估體系，從場景一致性、動作合理性 與 語義對齊與多樣性 三大核心指標進行分析：

• 場景一致性 scene consistency，評估生成場景中背景 / 物體 / 視角等穩固度與真實性，採用微調過的 dinov2 特徵進行量化。
• 動作合理性 motion correctness，利用 hsd (symmetric hausdorff distance), ndtw (normalized dynamic time warping) 和 dynamics score 三重互補指標協同精確評估生成動作的合理性與動力學真實度。
• 語義對齊與多樣性 semantic alignment & diversity，結合 mllm(多模態大模型）和 clip 從全局指令對齊度、關鍵步驟語義準確性、邏輯合理性等多個層次對生成視頻進行語義理解評估。

• 基準數據集：ewmbench 基於行業領先的開源百萬真機數據集 agibot world 構建，涵蓋了家居、工業、醫療三大場景的 10 類典型機械人操作任務和剛體 / 柔體 / 流體 / 關節物體等多種交互對象，其中包含超過 300 個精心設計的測試樣本及 30% 挑戰性場景（低光照 / 部分遮擋），全面驗證模型在複雜環境下的魯棒性。
• 開源評測工具：智元機械人同步開源了全流程評測工具，支持一鍵生成標準化對比報告，大幅降低評估門檻，方便研究者快速開展模型比較與性能分析，加速實驗驗證與成果復現。

相較於當前主流視頻生成評測基準 vbench，ewmbench 在評測結果與人類主觀判斷的一致性方面表現更優，能夠更真實、細緻地反映具身世界模型在交互理解、動作還原與視覺一致性等核心維度的實際能力。

enerverse 作為強大的世界模型基礎架構，為 evac 提供可靠的基礎框架與預訓練能力，而 evac 生成的多樣化高質量數據又能反哺 enerverse 模型的持續優化，二者形成 「訓練 - 驗證」 技術閉環，不斷推動模型性能突破。通過 ewmbench 提供的精細化、多維度量化分析，研發團隊可以精準定位 evac 在處理如 「多物體交互」「動態環境避障」 等複雜場景的潛在不足，從而進行更具針對性的優化。

據悉，evac 與 ewmbench 組合方案，已正式入選 agibot world challenge @ iros 2025 – world model 賽道的官方基線系統與評測標準。