具身智能领域已经持续火热近两年。 坦白说，研究者们早已开始认真思考一个问题：如何让机器人真正“学会”某项技能，而不是仅仅在实验室里完美运行，一旦走出门就频频“翻车”。 如今，终于有团队愿意投入“重金”，而且一出手就是**17800小时**的真机遥操作数据，直接用于预训练模型的训练。 你没看错，是一万七千八百小时。 这是什么概念？相当于一台机器人，不眠不休，连续两年，每天24小时都在人类手把手的遥操作指导之下。 在此之前，行业内存在一个心照不宣的共识：真机遥操作数据是奢侈品，昂贵、耗时、难以规模化扩展，只能用在最后微调阶段，当作“画龙点睛”的一笔。 但就在最近，上海创智学院副教授、智元机器人首席科学家**罗剑岚**团队，直接突破了这一天花板——他们发布了**全球最大规模的开源预训练具身世界模型**： **τ0-World Model（τ0-WM)**。 该模型的参数量达到了**5B**，预训练数据总量更是惊人地接近**3万小时**。其中，**真机遥操作数据第一次成为绝对主力**，占据了1.78万小时。 **这3万小时的预训练数据规模，是目前全球开源预训练具身世界模型中的最大纪录。** 而且，τ0-WM不仅仅是能“预判”未来、能“规划”动作。它最独特之处在于，还结合了**测试时计算（Test-Time Computation）**。简单来说，就是让机器人在实际执行之前，先在脑海中模拟一遍：候选动作里哪个最靠谱？质量不够？那就在虚拟沙盘里再调整、再优化，然后再行动。 基于这套方法，τ0-WM在四个极其考验精细操作能力的任务——工具箱收纳、书包整理、羽毛球装盒、水管接头对接——上的平均成功率，已经直接超越了π0和Fast-WAM。 可以说，罗剑岚团队之前在真机数据采集和后训练方面的持续投入，如今终于结出了硕果。他们不仅积累了足够的家底，更探索出了一套将真机数据大规模用于预训练的方法论。 预训练和后训练这两条路径，现在终于被打通了。

提议、推演、评估，然后行动

过去几年，驱动机器人感知和行动的主流范式更像是一种“条件反射”：神经网络一看到画面，便凭借肌肉记忆立刻输出动作。 这种反应式策略，在“抓取-放置”之类的标准任务中确实很高效。 但现实世界中的复杂操作往往是“一步错，步步错”。当面对接触密集、步骤冗长、或者存在严重遮挡的场景时，纯粹依靠“看见就动”很容易造成不可逆的失误。 因此，和许多世界模型一样，**τ0-WM**选择了一条更“谨慎”的路径——让机器人在行动之前，先在脑海中“想象”一下：如果我这样做了，未来会发生什么？环境会变成什么样？ 但τ0-WM的过人之处在于，它不只“想象一次”。 为了让机器人真正做到“三思而后行”，研究引入了测试时计算。这相当于给机器人一个内部“虚拟沙盘”，它可以在里面并行地、反复地“模拟多次”，比较不同方案，甚至主动发现并修正错误路径。 换句话说，τ0-WM让机器人不再是“看到即行动”，而是像人一样，先在内心盘算一遍哪种路线更可靠，再决定怎么做。这本质上是在教机器人学会一种“慢思考”。 具体到在线推理，τ0-WM可以拆解为三步： **第一步，提议。** 视频动作模型（VAM）根据当前的多视角画面、语言指令和机器人自身状态，先进行“头脑风暴”，一次性采样出多组候选动作，并生成对应的、略显模糊的未来画面。这好比是机器人快速闪过几种可能的做法。 **第二步，推演。** 动作条件视频模拟器上场，针对每组候选动作，进一步生成更清晰、多视角的未来画面。为什么需要多视角？因为在真实操作中，正面视角常被机械臂或物体遮挡，机器人必须能够从侧面、顶部等其他视角“脑补”出未来状态，才能真正判断该动作的后果。 **第三步，评估与修正。** 系统会用一种称为RCS（Re-denoising Consistency Score）的方式给动作打分：将候选动作重新加入噪声，再丢回模型去噪，观察重建误差。误差越小，说明这个动作越接近模型训练时学到的高质量动作分布，也就越可靠。 如果最优动作的分数依然不够高，就会触发第二层机制LAR（Low-quality Action Rectification）。系统会把所有候选动作送进视频模拟器，预测对应的未来状态和任务进度，从中挑出“任务推进效果最好”的未来画面，然后让VAM基于这个“最优未来”重新生成动作。 经过这三步层层筛选，模型才输出最终的最优动作。 值得一提的是，虽然许多世界模型在训练时也会预测未来，但部署时为了推理速度，往往会把“想象未来”这个模块直接删掉。而τ0-WM则坚持在推理阶段保留了这种“显式未来想象”，并把这些未来画面真正用于后续动作的打分、筛选与修正。 对τ0-WM而言，“想象未来”不是一种训练技巧，而是机器人做决策的核心环节。 在这个三阶段流水线背后，τ0-WM主要由两个共享视频扩散backbone的组件驱动： 一个是负责“提议动作”的VAM，基于Wan2.2-5B视频生成模型，同时输出未来视频的latent和动作chunk；另一个是负责“沙盘推演”的动作条件视频模拟器，专门评估未来状态和任务进度。 而在训练阶段，三类不同来源的数据，通过一个巧妙的设计——Modality-specific supervision masks——被统一揉进了同一个体系：有动作标签的数据，同时训练视频和动作；没有动作标签的数据，则只训练视频分支。

3万小时预训练数据

接下来，就是τ0-WM这次最“硬核”、也最“重资产”的部分：**训练数据**。 这近3万小时的预训练数据，不仅刷新了开源具身世界模型的规模记录，更重要的是，它正在撼动整个行业对“具身智能数据金字塔”的固有认知。 τ0-WM的训练数据主要由三部分组成，每一类都扮演着独特的角色： **第一类，真机遥操作数据，总量高达17800小时。** 这部分数据来自双臂机器人、多视角采集，动作空间和真实部署环境完全对齐。这是在行业里公认的“最贵”的数据，因为采集不仅慢，还特别烧人力和硬件资源。但与此同时，它也是质量的金字塔尖，提供了最核心的动作监督信号，是τ0-WM敢做大规模预训练的根基。 **第二类，6500小时的UMI数据。** UMI（Universal Manipulation Interface）是一种不依赖特定机器人平台的数据采集方式。它的优势在于覆盖的物体种类和操作场景非常丰富，但问题也明显：它的动作空间并不完全等同于真实机器人部署时的动作空间。所以，在τ0-WM里，UMI数据更像是在补“行为多样性”——不一定最精准，但能让模型见过更多操作方式、更多物体、更多长尾场景。 **第三类，3000小时的人类第一视角EgoCentric数据。** 这部分数据的采集成本最低，但覆盖范围最大。里面包含了大量长尾交互行为和机器人很难专门采集到的真实场景。不过，它有一个“硬伤”：没有机器人动作标签。模型只能“看”，不能直接学“机器人该怎么动”。因此，这部分数据只参与视频分支训练，不参与动作预测。它的价值在于帮助模型学习：物体会怎么运动，人与环境如何交互，场景状态会如何变化。 看到这里，一个很自然的问题就冒出来了：既然人类视频没有动作标签，UMI的数据格式又和真机动作空间不完全一致，那模型到底怎么把它们一起训进去？ τ0-WM的解法很巧妙——**模态特定监督掩码（Modality-specific supervision masks）**。 简单说，就是让模型在训练时“看菜下饭”：对于有动作标签的数据，就同时学习视频和动作；没有动作标签的数据，就把动作部分“屏蔽”掉，只学习视觉分支。 这样一来，不同来源、不同模态、不同动作空间的数据，第一次被真正揉进了同一个预训练体系里。

实验：三思而后行，效果立竿见影

在实验部分，团队最核心想验证的一件事就是：测试时计算到底有没有用。 他们选了**抽纸巾放进盒子**和**捡笔放进盒子**两个任务，这两个任务在3万小时预训练数据中从未出现过，属于模型完全没见过的新任务。并且采用了比常规做法更严格的评测标准——不允许重试，单次机会，20轮取平均。 结果非常清晰：不加测试时计算时，裸策略平均成功率只有43%。加入第一层RCS动作筛选后，提升到50%。再接上LAR模拟器修正后，最终达到60%。提升最明显的是更难的Pen→Box任务，成功率直接从30%拉到50%。 研究团队还专门对比了其他测试时引导方法。同样条件下，Classifier-Free Guidance（CFG）成功率只有20%，Action Coherence Guidance（ACG）为38%，而τ0-WM达到60%。 这里的关键区别就在于：CFG和ACG本质上还是在检查“动作本身是否连贯”，而τ0-WM评估的，是“这个动作做完之后，未来世界会变成什么样，任务有没有真正往前推进”。前者关注动作空间内部的一致性，后者则开始真正把“未来后果”纳入决策。 （其余实验细节可参考论文原文）

数据金字塔，要变样了

如果放到整个具身智能行业的数据路线图里看，τ0-WM这次最特别的地方会显得更加突出。 过去，行业的数据体系是一个典型的金字塔结构： 最底层是互联网视频数据，规模最大、最便宜，但没有机器人动作标签，只能让模型学点通用的视觉规律和世界变化规则。再往上，是仿真数据，机器人终于开始“动起来”了，但仿真和真实物理世界之间，那道巨大的sim2real gap始终存在。而金字塔的尖顶，则是真机遥操作数据，质量最高，但行业共识一直是：太贵、太少、根本不可能scale。所以大多数团队都把它留到最后微调时才用。 但今年，一个新的变数出现了——**Ego-Centric第一视角数据**突然崛起。大家开始意识到，人类第一视角视频虽然没有机器人动作标签，但它天然包含了大量真实世界的交互过程、物体变化和长尾操作，很快就成了数据金字塔里那个“新中层”。 问题是，绝大多数团队做到这里就停了，因为大家依然默认真机数据贵到不可能成为预训练主体。 但τ0-WM第一次把这个逻辑彻底翻了过来。 他们一边引入Ego-Centric数据，一边直接用17800小时的真机遥操作数据给预训练打底。这件事不是一夜之间发生的。回看罗剑岚团队过去一年多的工作，会发现一条非常清晰的主线——他们搭的不是单点模型，而是一整套**真实世界数据飞轮**。 2026年1月，SOP搭起了规模化的真机数据采集和回流基础设施。同年4月，LWD把大规模强化学习引入具身VLA的后训练，构建了“部署即训练”的数据飞轮——机器人跑得越多，回流数据越多，模型越强，又能跑更多任务。连失败轨迹也第一次被系统性地纳入学习。 当真实交互数据积累跨越某个临界点后，一件以前没人敢想的事，就自然而然地发生了：**真机数据，终于开始从“后训练耗材”，变成“预训练燃料”。** 直到这里，具身智能那条“预训练—真机部署—数据回流—再预训练”的完整链路，才第一次真正跑通。