WorldSimProbe：不是能动就行！北大等用1.8万测试例诊断具身物理保真度
WorldSimProbe: Diagnosing Simulator Faithfulness in Action-Conditioned World Models for Embodied Manipulation
在具身智能的宏大蓝图中，动作条件化世界模型（Action-Conditioned World Models, ACWMs）一直被赋予极高的期望。人们希望它们不仅能生成逼真的视频片段，更能成为一种可扩展的“神经物理模拟器”——无需手动搭建复杂的物理引擎资产，机器人就能在世界模型生成的未来梦境中进行动作规划、策略评估以及低成本的数据合成。
ArXiv URL：https://arxiv.org/abs/2608.09298v1
然而，视频画面的“视觉逼真”和模拟器的“物理保真”之间存在着巨大的鸿沟。当前的多数评测往往只关注视频画质、最终任务是否看似达成，或者给出一个粗粒度的全序列成功率。这种评价机制掩盖了具身世界模型内部极其脆弱的物理现实：许多模型看起来动作流畅，实际上根本没有严格执行输入的控制指令；更有甚者，机械臂尚未触及物体，物体就已经“隔空”滑走，或者交互过程中的动力学规律完全混乱。如果这样的模型被部署到真实机器人的决策循环中，将带来不可预测的安全风险与策略偏差。
针对这一根本痛点，来自北京大学、北京理工大学、EvoPhys AI 以及香港科技大学等机构的研究团队提出了名为 WorldSimProbe 的系统性诊断基准。该研究不再把世界模型当成单纯的视频生成器，而是将其拉回物理模拟器的严苛标准进行检验，提出了具身物理模拟必须满足的“可观测模拟器契约”，并在三大主流仿真平台（RoboTwin、ManiSkill 和 LIBERO）上设计了超过 18,000 个受控测试用例，对现存的 6 大开源具身世界模型进行了前所未有的全链条物理体检。
从生成视频到物理模拟：可观测模拟器契约
传统物理仿真引擎（如 PhysX 或 MuJoCo）的核心价值在于确定性与因果链条：输入一个关节控制量，机械臂必须产生符合刚体动力学的关节运动；当机械臂与环境中的物体发生几何接触并产生法向力时，物体才会依照摩擦力、质量与约束产生位移。
研究团队指出，一个可信的动作条件化世界模型要充当物理模拟器，必须满足最基础的可观测模拟器契约（Observable Simulator Contract）。这一契约将场景推演严格拆解为因果相扣的两环：
第一环是动作诱导运动：给定初始机器人状态 $r_t$、环境状态 $e_t$ 和输入的动作流 $a_{t:t+H}$，模型所生成的机器人运动 $\hat{r}_{t:t+H}$ 必须真实响应动作指令：
\[\hat{r}_{t:t+H}\approx\Phi_{R}(r_{t},e_{t},a_{t:t+H}).\]第二环是运动驱动环境：在不存在外生随机扰动的前提下，环境未来的状态响应 $\hat{e}_{t:t+H}$ 不能凭空产生，它必须完全扎根于机器人已经产生的物理运动之中：
\[\hat{e}_{t:t+H}\approx\Phi_{E}(e_{t},\hat{r}_{t:t+H}).\]这两环定义了从动作下发到机械臂位移，再由机械臂位移触发环境物理交互的完整模拟因果链。过去的研究之所以难以定位世界模型的失败根源，就是因为将这两步打包成了一个端到端的“黑盒”，只根据最终几帧画面给出一个粗糙的成功分数。这导致模型即使通过“作弊”的非物理路径达成了任务目标，也会被误判为优秀的模拟器。
五大套件层层递进：解构世界模型的物理失真
为了将抽象的契约落到可量化的评测中，WorldSimProbe 构建了五个彼此独立且具备因果定位能力的受控诊断套件（Suites），由表及里、从底层运动映射深入到复杂物理交互动力学。
1. 局部动作校准（Local Action Calibration）
真实的物理系统对于连续的控制量扰动具备线性的敏感度。微调机械臂末端速度，机械臂轨迹应当产生按比例的位移偏差。该套件在保持任务目标与最终语义不变的前提下，对动作流施加微小但精确控制的扰动（包含极小扰动与较大扰动），并通过 Oracle 模拟器的物理响应比值 $r_i^*$ 作为真值基准，检验世界模型预测的相对变化幅度 $r_i$ 是否与真实物理引擎的缩放比例严格对齐：
\[r_{i}=\frac{D(\hat{x}_{i}^{0},\hat{x}_{i}^{s})}{D(\hat{x}_{i}^{0},\hat{x}_{i}^{\ell})},\qquad r_{i}^{*}=\frac{D(x_{i}^{0},x_{i}^{s})}{D(x_{i}^{0},x_{i}^{\ell})}.\]如果模型只对大动作有非黑即白的反应，而在微观上无法忠实呈现动作缩放，其校准分数就会骤降。
2. 全局轨迹覆盖（Global Trajectory Coverage）
世界模型最容易患上的毛病是“任务先验过拟合”——如果训练数据里抓取杯子总是走同一条弧线，模型便会无视动作指令，强行走向那条固定轨迹。为了打破这种数据偏差，研究团队设计了跨任务受控回放测试：将一个任务的动作流强制输入给另一个处于不同几何状态的场景中。在几何可行的范围内，通过参考机械臂稠密光流误差（RMFA）来衡量模型是否真正执行了这一“反直觉”但合法的全局轨迹，还是擅自修改了机械臂的运行路径。
3. 动作源行为保持（Action-Source Behavior Preservation）
机器人控制不仅有理想轨迹，更有充满抖动、修正与变速的真实控制信号。此套件收集了来自不同人类遥操作员、处于早期训练阶段的欠收敛策略网络以及高度收敛的专家策略轨迹。一个保真的模拟器必须诚实地反映早期策略的犹豫与抖动，而不是自作聪明地用先验“美化”动作轨迹。
4. 交互扎根诊断（Interaction Grounding）
当机械臂运动起来后，物体为什么会动？这是具身智能的核心物理因果问题。该套件构建了极其精巧的“反事实无接触”测试，包含三大陷阱：
-
空间邻近（Proximity）：机械臂在物体旁划过，极度靠近但不产生几何穿透；
-
视觉假接触（False Contact）：机械臂在视觉画面上看起来与物体贴合，但输入动作的力矩与末端指令明确未施加夹爪闭合或推动控制；
-
桌面干扰物（Distractor）：场景中放置物理上毫不相关的静止物体。
在这些场景下，模型只要在画面中移动了物体，就会被判定为违反物理扎根性，暴露出其纯靠视觉画面关联而非物理接触机制驱动的硬伤。
5. 交互动力学细分（Interaction Dynamics）
真实的物理交互绝不是单纯的“物体移动”。推（Push）、拉（Pull）、拖（Drag）、旋转（Rotate）、摇晃（Shake）、轻叩（Tap）、撞倒（Knock-over）与掉落（Drop）这 8 种基础物理原语，对机器人与物体之间的相对运动矢量、接触力传递有着完全不同的动力学约束。为了精准打分，研究团队利用 Qwen3-VL-8B 构建了专用的具身视觉语言评估器，并在 3 位人类专家交叉验证一致性高达 94%~97% 的基准上，对生成的连续帧交互进行多模态因果判别。
18,000 例评测揭底：六大主流开源模型的体检报告
研究团队全面评测了当前具身社区极具代表性的六个开源动作条件化世界模型：IRASim、Ctrl-World、BWM、DreamDojo、LingBot-VA 以及 Cosmos-3-Nano。涵盖了显式注入动作特征的模块化架构与联合建模动作及画面的统一多模态架构。
综合测试展现出令人警醒的系统性缺陷，彻底打破了“画面好就等于模拟好”的技术幻觉。
动作响应严重“钝化”，无法感知物理失控边界
物理引擎对动作极其敏锐。在 ManiSkill 的叠积木（StackCube）测试中，微小的控制扰动（0.05 程度的偏移）就会导致积木滑落失败。然而，被测试的世界模型普遍存在严重的动作平滑与压缩效应。LingBot-VA 直到扰动增大到 0.374（真实物理阈值的 7.48 倍）时才首次体现出失败迹象；而 Cosmos-3-Nano 的钝化更为夸张，直到扰动放大到 1.78（高达物理阈值的 35.6 倍）时，画面才终于不再强行生成“成功叠上”的假象。这意味着，利用这些世界模型进行闭环策略评估或安全裕度测试时，它们会严重高估策略在真实世界中的容错率，给控制系统埋下巨大隐患。
视觉先验压倒物理接触，“隔空移物”成通病
在“交互扎根”测试中，所有模型的表现出现了断崖式下跌。在有无关干扰物（Distractor）的场景中，模型表现相对较好，平均得分为 75.0；在机械臂近距离划过（Proximity）时，平均分跌至 54.5；而在最致命的“视觉假接触”（False Contact，即画面看起来很近但动作没有实际抓握）场景下，所有模型的平均得分仅剩 38.6 分。
这证明大多数世界模型本质上依然是基于表面纹理联想的扩散生成器。当画面出现机械臂末端与杯把手重合时，模型内部的图像自回归先验便急迫地调出“杯子跟着手一起移动”的常见模式，完全无视了当前输入的控制动作并没有执行闭合夹爪的指令。这种伪交互表明模型并不理解真实的“接触力学”。
动力学原语呈现割裂与偏科
在 8 种基础动力学原语的判定中（如上图所示），没有任何一个模型能够在全部物理交互中保持稳健。大多数模型在处理刚性约束较弱的简单平移动力学（例如 Push 和 Tap）时得分尚可，但在处理具有复杂约束或自由度限制的交互时破绽百出。例如，在拉拽（Pull）和旋转（Rotate）操作中，机械臂与物体的相对几何拓扑发生动态改变，模型频繁出现机械臂穿模、物体在没有铰链约束的情况下沿奇异方向扭曲等荒谬画面。
各模型之间的“偏科”现象也十分明显：Ctrl-World 在交互扎根（Interaction Grounding）测试中取得了全平台最高的宏观得分，展现出对非接触情境的强抗干扰能力，但其在局部精细动作校准上却落后于 LingBot-VA；而 LingBot-VA 虽然在机械臂光流跟踪与执行敏捷度上拔得头筹，在无控制支持的假接触测试中却频频“意念移物”。这种阶段性能力的解耦直接表明：仅用一个端到端的任务分是无法评估世界模型的真实素质的。
诊断基准的可信度与现实价值
WorldSimProbe 的评估结果究竟能不能反映物理真实？研究团队通过两项关键实验验证了其评测尺度的扎实度。
第一项是与人类专家的物理常识对标。研究人员在 750 条跨越专家轨迹、训练早期波动轨迹和跨任务重放轨迹的数据中进行了细致的人工标注。实验表明，WorldSimProbe 所采用的稠密光流指标（RMFA）与人类对于动作保真度的评价等级呈现出高达 0.8 以上的秩相关系数（Spearman $\rho$），远超仅能输出“是/否”二元判断的传统 VLM 粗筛手段，也优于依赖逆动力学模型（IDM）恢复动作的间接误差评估。
第二项是对下游策略训练的穿透力测试。当策略完全在标准、理想的专家分布内运行时，基于高保真模型和低保真模型生成的合成数据所训练的下游策略，其成功率差距并不明显；然而，一旦将策略置于现实中不可避免的分布外控制（OOD Controls）与扰动修正场景下，使用低物理保真度模型训练的策略成功率瞬间跌落，而经过高物理保真度模型筛选的数据则能保持更强的泛化韧性。这直接证明了：只有通过了因果链条严苛检验的世界模型，才真正具备向物理世界迁移的模拟器价值。
走向真正的神经物理模拟器
WorldSimProbe 的提出不仅是对当前具身世界模型研究现状的一次清醒审视，更是对评测范式的一次重要重塑。它清晰地表明，仅仅追求分辨率的提升、帧率的平滑或者依赖训练集内的任务成功演示，无法掩盖底层因果链条的断裂。
如果世界模型的目标是取代物理模拟器，它就必须像物理引擎一样尊重因果机制：动作必须真实引起关节响应，响应必须真实受到环境约束，而环境的改变必须经由物理接触的检验。WorldSimProbe 所建立的这套五维能力诊断框架，通过将长序列任务拆解至局部位移、反事实重放、误接触防御与动力学原语，精准指出了每一个模型究竟在因果链条的哪一个环节发生了崩溃。
随着具身智能逐渐步入多物体交互、柔性体操作以及长视距闭环规划的深水区，这种细粒度的能力切片诊断，将成为指导下一代物理感知网络架构演进、纠正非物理幻觉不可或缺的核心标尺。