El robot Zidongbian lanza su primer modelo de mundo autoregresivo de próxima escala, WALL-SS, diseñado para resolver el problema de inconsistencia causal entre acciones y resultados en los modelos de mundo robótico. Mediante un mecanismo de predicción jerárquica de lo general a lo específico, el modelo asegura que diferentes acciones correspondan realmente a diferentes resultados y logra una simulación continua de hasta 60 segundos. Las pruebas muestran que el puntaje de seguimiento de acciones de WALL-SS alcanza 0.29, superando ampliamente el 0.044 de Cosmos3-Nano. Zidongbian completó 600 experimentos de emparejamiento virtual-real, con un coeficiente de correlación de éxito en tareas de 0.926, lo que indica que el modelo de mundo puede ayudar a los robots a validar estrategias con anticipación en entornos virtuales.

Autor del artículo, fuente: GeekPark

La próxima competencia en los modelos de mundo de los robots no será la calidad de imagen, sino la arquitectura.

Autor | Li Yuan

Editado por Zheng Xuan

La pinza de un brazo robótico no agarraba realmente la taza, pero la taza subió junto con la pinza, como si estuviera atrapada por un imán. Este problema aparentemente absurdo está preocupando a los modelos de robots, y la industria incluso lo ha denominado "agarre magnético".

Los modelos de generación de video cumplen su tarea simplemente haciendo que las imágenes parezcan razonables; pero los modelos del mundo no pueden limitarse a buscar solo «parecer reales». La mayoría de los datos de entrenamiento para robots provienen de demostraciones exitosas, lo que hace que los modelos desarrollen atajos: en lugar de comprender las sutilezas de los movimientos, generan directamente el resultado más probable basado en la imagen.

En el mundo real, un desplazamiento de unos pocos milímetros en la posición de la pinza puede hacer que el resultado pase de agarrar a derribar la taza o incluso fallar por completo. Lo que realmente necesita comprender el modelo del mundo es la relación causal entre las acciones y los resultados.

El 27 de agosto, AutoGPT lanzó el modelo de mundo autoregresivo de próxima escala, WALL-SS, buscando llevar a los modelos de mundo de "funcionales" a "fáciles de usar". WALL-SS no genera toda la imagen de una sola vez, sino que describe el futuro de manera gradual, desde lo general hasta lo detallado, asegurando que cada acción corresponda a un resultado específico; además, integra un mecanismo de memoria a largo plazo para lograr una inferencia continua de hasta 60 segundos.

Las pruebas muestran que, tras 60 segundos de simulación continua, WALL-SS mantiene imágenes y trayectorias de movimiento más cercanas al video real, alcanzando una puntuación de seguimiento de movimiento de 0.29, mientras que Cosmos3-Nano obtuvo 0.044, y otros modelos de prueba obtuvieron exactamente 0. Se puede decir que WALL-SS es uno de los pocos modelos cuya predicción visual sigue las instrucciones de movimiento.

La variable independiente también anunció el lanzamiento de WALL-SS. Para los modelos de mundo robótico que aún no han establecido una línea técnica unificada, el lanzamiento no solo implica abrir un modelo, sino también permitir que la industria verifique conjuntamente: ¿los modelos de mundo realizan predicciones basadas en acciones? ¿Pueden las simulaciones virtuales servir realmente a los robots reales?

Cuando el paradigma técnico aún no se ha consolidado, la exploración continua es en sí misma una ventaja competitiva. La inteligencia encarnada requiere no solo hardware que se implemente rápidamente, sino también empresas que desafíen constantemente las rutas existentes y amplíen los límites de las tecnologías clave.

Modelos mundiales, la vía principal para la inteligencia encarnada

En 2026, los modelos mundiales se están convirtiendo en una de las direcciones tecnológicas más destacadas en el campo de la robótica.

NVIDIA continúa iterando Cosmos y comienza a utilizar modelos de video del mundo para el control y planificación de robots; V-JEPA 2 de Meta intenta permitir que los robots realicen agarres en entornos desconocidos prediciendo los cambios en el mundo físico. Cada vez más investigaciones también exploran la sustitución de pruebas físicas parciales mediante modelos del mundo, permitiendo que los robots predigan los resultados de diferentes estrategias en un mundo virtual antes de «actuar».

Comprender esta ola no es complicado. Los modelos de lenguaje grande aprenden patrones del lenguaje prediciendo la siguiente palabra, mientras que los modelos del mundo predicen el siguiente estado del mundo: si el robot se mueve hacia la izquierda, ¿se derramará la taza?; si el agarre se aprieta un poco más, ¿se podrá recoger el objeto?; si se ejecuta una acción durante diez segundos, ¿cómo será finalmente el escenario?

Esto es especialmente importante para la inteligencia encarnada. En los últimos años, la industria se ha centrado principalmente en resolver la pregunta de cómo hacer las cosas los robots; las VLA pueden generar acciones directamente a partir de instrucciones visuales y lingüísticas. Pero a medida que las capacidades de los robots mejoran, una nueva pregunta se vuelve cada vez más prominente: ¿cómo determinar si una estrategia es buena o no?

Si cada iteración del modelo depende de pruebas en dispositivos reales, los costos son altos y los ciclos son largos, lo que fácilmente se convierte en un cuello de botella para el entrenamiento y la iteración. Aunque la simulación tradicional puede asumir parte de las pruebas, requiere modelado manual de materiales, fricción, deformación y relaciones de contacto, lo que dificulta cubrir la complejidad del mundo real. Los modelos del mundo, en cambio, intentan aprender cómo cambia el mundo a partir de videos reales y datos de interacción con robots, permitiendo que los robots predigan y validen estrategias repetidamente en entornos virtuales.

Incluso puede participar más profundamente en la toma de decisiones del robot. Después de ver el vaso, VLA decide directamente «extender la mano para agarrarlo», mientras que el modelo del mundo puede primero predecir las consecuencias de diferentes acciones y luego ayudar al robot a elegir una estrategia más adecuada: pasar de «actuar directamente» a «imaginar primero, luego actuar».

Pero para convertirse realmente en la infraestructura de la inteligencia encarnada, los modelos del mundo actuales aún enfrentan tres umbrales clave.

Primero, la coherencia causal entre la acción y el resultado. El modelo no solo debe generar imágenes que cumplan con las expectativas, sino que también debe reflejar con precisión los resultados provocados por la acción; de lo contrario, una estrategia que en realidad no puede agarrar una taza podría ser considerada exitosa en el mundo virtual.

En segundo lugar, está la capacidad de inferencia a largo plazo. Las tareas de los robots suelen durar decenas de segundos o más, y el modelo debe seguir utilizando sus propias predicciones como entrada para el siguiente instante; cualquier pequeño error puede acumularse durante la inferencia continua.

Tercero, la consistencia entre la predicción virtual y la operación real. Aunque la generación sea extremadamente realista y las simulaciones sean prolongadas, esto no implica que el modelo pueda realmente evaluar estrategias de robots. Solo cuando el rendimiento en el mundo virtual establezca una correspondencia estable con los resultados reales, el modelo del mundo adquiere verdaderamente valor como sustituto parcial de los ensayos y errores reales.

Estas tres barreras también están convirtiéndose en el núcleo de la próxima fase de la competencia de modelos mundiales.

WALL-SS, mejora el modelo mundial desde la arquitectura subyacente

WALL-SS es un nuevo intento para abordar estos problemas. Según la descripción del artículo, es el primer modelo del mundo que utiliza una arquitectura de autoregresión a la siguiente escala.

Anteriormente, muchos modelos mundiales siguieron la idea de Diffusion de video: ingresar imágenes y acciones históricas, y generar videos futuros mediante múltiples iteraciones de desruído. Aunque las acciones son condiciones de generación, no se incorporan explícitamente en la cadena de generación «acción→resultado», por lo que el modelo tiende a depender de prejuicios visuales y predecir directamente un futuro «probablemente exitoso»—incluso si la pinza realmente no agarró la taza, podría generar una imagen de la taza siendo levantada con éxito.

WALL-SS organiza las observaciones y acciones en una secuencia causal de "observación-acción-nueva observación", permitiendo que las acciones participen realmente en la generación del estado futuro. En términos simples, primero se determina cómo cambia el mundo, y luego se completan los detalles capa por capa: una escala gruesa define el estado aproximado del brazo mecánico y los objetos, mientras que una escala fina recupera el movimiento y el contacto con mayor precisión. Combinado con datos de fallos, intervención y corrección, el modelo aprende que "acciones diferentes producen resultados diferentes".

Esta capacidad se valida en las métricas. El puntaje de seguimiento de acciones de WALL-SS alcanza 0.29, con una precisión de trayectoria de 0.539; en comparación, el puntaje de seguimiento de acciones de Cosmos3-Nano es solo 0.044. Otros modelos obtienen directamente 0.

Otro problema clave es si el modelo mundial puede «recordar lo suficientemente bien». WALL-SS conserva los detalles recientes mediante memoria a largo plazo a múltiples escalas, comprime el historial lejano y permite que el modelo continúe su propia predicción durante el entrenamiento, reduciendo el problema de la acumulación constante de errores. Esto permite que el modelo realice inferencias continuas de hasta 60 segundos, mientras que otros modelos ya alcanzan su límite con 20-30 segundos.

Más importante aún, estas capacidades finalmente fueron probadas en máquinas reales. La variable independiente hizo que la misma estrategia se ejecutara tanto en WALL-SS como en robots reales, completando 600 experimentos de emparejamiento virtual-real. Los resultados mostraron que el coeficiente de correlación entre las tasas de éxito de las tareas fue de 0.926, y la precisión en la clasificación del rendimiento de diferentes estrategias alcanzó el 89%.

Esto significa que los modelos del mundo comienzan a adquirir un valor más importante: no solo generar futuros que "parezcan reales", sino también ayudar a los robots a determinar qué resultados producirán diferentes acciones y validar estrategias con anticipación en un mundo virtual.

Of course, WALL-SS still has limitations. Its action inputs primarily include the end-effector position, orientation, and gripper opening/closing, but do not include full joint states, forces, or torques; therefore, support for fine contact and multi-finger dexterous hands still requires further validation.

Sigue innovando en la arquitectura mientras la ruta aún no se ha convergido

WALL-SS no es el resultado de una persecución repentina de la tendencia de los modelos mundiales por parte de la variable independiente. Durante el último año, la variable independiente ha estado explorando constantemente la misma pregunta: cómo conectar realmente la comprensión del mundo por parte de los robots, la predicción de sus acciones y su ejecución real.

WALL-OSS integra visión, lenguaje y acciones robóticas en un único modelo base embodiado mediante preentrenamiento multimodal a gran escala; WALL-OSS-0.5 impulsa aún más la transferencia de las capacidades de preentrenamiento a robots reales; posteriormente, WALL-WM comienza a modelar conjuntamente los cambios en el mundo y las acciones robóticas, mientras que X-Tokenizer explora cómo diferentes robots y acciones pueden integrarse en un modelo unificado. En WALL-SS, esta línea de investigación apunta aún más hacia una pregunta central: ¿qué sucede en el mundo después de ejecutar una acción?

A lo largo de esta serie de exploraciones, se mantiene un compromiso a largo plazo con la modelización unificada del «mundo-acción». Los robots no solo deben ser capaces de actuar, sino también predecir las consecuencias de sus acciones y ajustar continuamente su comportamiento según los resultados. A medida que se acumulan modelos, datos, ontologías y experiencia en máquinas reales, estas exploraciones van formando un ciclo técnico de retroalimentación mutua.

La arquitectura básica de la inteligencia encarnada aún no ha convergido. En esta etapa, lo realmente importante no es acertar en cada intento con la respuesta final, sino poder proponer continuamente nuevas hipótesis arquitectónicas, validarlas con datos y máquinas reales, y ajustar constantemente el rumbo según los resultados.

Este anuncio del lanzamiento de WALL-SS es una continuación de esta misma línea de pensamiento. No se lanza solo un modelo, sino una ruta tecnológica que la industria puede validar conjuntamente: ¿será el auto-regresivo de la siguiente escala más adecuado para los robots? ¿Pueden las acciones y sus resultados corresponderse realmente? ¿Pueden las pruebas virtuales reflejar el desempeño en máquinas reales? Los investigadores pueden continuar explorando sobre esta base, y las empresas de robótica pueden validar directamente si puede integrarse en sus propios sistemas de entrenamiento y evaluación.

Esto también tiene un significado más importante para la industria temprana de la inteligencia encarnada: reduce los costos de exploración de la industria y permite que diferentes enfoques sean probados en aplicaciones reales.

En los últimos años, la competencia en inteligencia encarnada en el país se ha centrado principalmente en el cuerpo, los datos y la implementación de productos. Sin embargo, una industria aún no consolidada no puede limitarse a esperar a que surja una arquitectura madura antes de intentar alcanzarla; también es necesario que alguien entre en niveles más fundamentales, como modelos del mundo, representaciones de acciones y paradigmas de aprendizaje, buscando continuamente la siguiente posibilidad.

WALL-SS por supuesto no es la respuesta final, pero representa un cambio: las empresas nacionales comienzan a no solo seguir rutas existentes, sino a plantear sus propias suposiciones arquitectónicas y abrirlas a la inspección de la industria.

Cuando realmente se produce un cambio en la línea tecnológica, lo que determina el éxito de una empresa no es si ha mantenido el ritmo de la generación anterior, sino si ha conservado siempre la capacidad de explorar la próxima generación.