A AutoX Robotics lança seu primeiro modelo de mundo autoregressivo de próxima escala, WALL-SS, visando resolver o desafio da inconsistência causal entre ações e resultados em modelos de mundo robótico. Por meio de um mecanismo de previsão hierárquica de grosso a fino, o modelo garante que diferentes ações correspondam verdadeiramente a diferentes resultados, permitindo inferências contínuas de até 60 segundos. Os testes mostram que o WALL-SS atingiu uma pontuação de seguimento de ação de 0,29, significativamente superior aos 0,044 do Cosmos3-Nano. A AutoX realizou 600 experimentos de pareamento virtual-real, com coeficiente de correlação de sucesso na tarefa de 0,926, indicando que o modelo de mundo pode ajudar robôs a validar estratégias antecipadamente em ambientes virtuais.

Autor do artigo, fonte: GeekPark

A próxima competição nos modelos de mundo de robôs pode não ser a qualidade da imagem, mas a arquitetura.

Autor | Li Yuan

Editado por Zheng Xuan

A pinça de um braço robótico não estava segurando o copo, mas o copo subiu junto com a pinça, como se estivesse atraído por um ímã. Esse problema aparentemente absurdo está preocupando os modelos de robótica, e a indústria até o chama de “agarre magnético”.

Modelos de geração de vídeo cumprem sua tarefa apenas fazendo as imagens parecerem plausíveis; mas modelos de mundo não podem se limitar a buscar “parecer real”. A maioria dos dados de treinamento para robôs vem de demonstrações bem-sucedidas, o que leva os modelos a desenvolver atalhos: em vez de compreender as sutilezas dos movimentos, eles simplesmente geram diretamente o resultado mais provável com base nas imagens.

Na vida real, um deslocamento de alguns milímetros na posição da pinça pode fazer com que o resultado mude de pegar para derrubar ou até perder o copo. O que o modelo do mundo realmente precisa entender é a relação causal entre a ação e o resultado.

Em 27 de agosto, o AutoGPT Robotics lançou o modelo mundial autoregressivo de próxima geração, WALL-SS, buscando levar os modelos mundiais de "funcionais" para "fáceis de usar". O WALL-SS não gera toda a cena de uma vez, mas retrata o futuro de forma progressiva, de grossa para fina, garantindo que diferentes ações correspondam a resultados distintos; além disso, integra um mecanismo de memória de longo prazo, permitindo inferências contínuas de até 60 segundos.

Os testes mostraram que, após 60 segundos de simulação contínua, o WALL-SS mantém imagens e trajetórias de movimento mais próximas do vídeo real, alcançando uma pontuação de seguimento de ação de 0,29, enquanto o Cosmos3-Nano obteve 0,044 e outros modelos de teste obtiveram exatamente 0. Pode-se dizer que o WALL-SS é um dos poucos modelos cuja previsão visual segue as instruções de ação.

A Self-Variable também anunciou o lançamento do WALL-SS. Para modelos de mundo robótico ainda sem uma rota técnica unificada, o lançamento não significa apenas abrir um modelo, mas também permitir que a indústria verifique coletivamente: os modelos de mundo estão realmente fazendo previsões com base em ações? As simulações virtuais podem realmente servir aos robôs reais?

Quando o paradigma técnico ainda não se consolidou, a exploração contínua é, por si só, uma vantagem competitiva. A inteligência embutida exige não apenas hardware que possa ser implementado rapidamente, mas também empresas que desafiem continuamente as abordagens existentes e ampliem os limites das tecnologias centrais.

Modelos mundiais, a principal trilha para inteligência embodiada

Em 2026, os modelos mundiais estão se tornando uma das áreas tecnológicas mais destacadas no campo da robótica.

A NVIDIA continua a iterar o Cosmos e começou a utilizar modelos de vídeo do mundo para controle e planejamento de robôs; o V-JEPA 2 da Meta tenta permitir que robôs realizem pegadas em ambientes desconhecidos prevendo mudanças no mundo físico. Cada vez mais pesquisas também estão explorando o uso de modelos do mundo para substituir parte dos testes em máquinas reais, permitindo que robôs prevejam os resultados de diferentes estratégias em um mundo virtual antes de "agir".

Compreender essa onda não é complicado. Modelos de linguagem grandes aprendem padrões linguísticos prevendo a próxima palavra; modelos do mundo prevêem o próximo estado do mundo: se o robô se mover para a esquerda, o copo será derrubado; se a pinça apertar um pouco mais, o objeto poderá ser pegado; se um movimento for executado por dez segundos, como será o cenário final.

Isso é especialmente importante para inteligência embutida. Nos últimos anos, a indústria resolveu principalmente a questão de "como" os robôs fazem as coisas, e as VLA podem gerar ações diretamente com base em instruções visuais e linguísticas. Mas à medida que as capacidades dos robôs aumentam, uma nova questão tornou-se cada vez mais proeminente: como determinar se uma estratégia é boa ou não?

Se cada iteração do modelo depender de testes em dispositivos reais, os custos serão altos e os ciclos longos, tornando-se facilmente um gargalo no treinamento e na iteração. Embora a simulação tradicional possa assumir parte dos testes, exige modelagem manual de materiais, atrito, deformação e relações de contato dos objetos, dificultando cobrir a complexidade do mundo real. Os modelos do mundo buscam aprender como o mundo muda a partir de vídeos reais e dados de interação com robôs, permitindo que os robôs possam prever e validar estrategicamente repetidamente em ambientes virtuais.

Ele pode até participar mais profundamente na tomada de decisões do robô. Após ver a xícara, a VLA decide diretamente “esticar a mão para pegar”, enquanto o modelo do mundo pode primeiro prever as consequências de diferentes ações e ajudar o robô a escolher uma estratégia mais adequada — passando de “agir diretamente” para “imaginar primeiro, depois agir”.

Mas para se tornar verdadeiramente a infraestrutura da inteligência embodied, os modelos mundiais atuais ainda enfrentam três barreiras fundamentais.

Primeiro, a consistência causal entre a ação e o resultado. O modelo não pode apenas gerar cenas que atendam às expectativas, mas deve refletir com precisão os resultados trazidos pela ação; caso contrário, uma estratégia que na realidade não consegue segurar um copo também poderia ser considerada bem-sucedida no mundo virtual.

O segundo é a capacidade de inferência de longo prazo. As tarefas dos robôs geralmente duram dezenas de segundos ou mais, e o modelo precisa constantemente usar suas próprias previsões como entrada para o próximo momento; qualquer pequeno erro pode se acumular ao longo da inferência contínua.

O terceiro é a consistência entre a previsão virtual e a operação real. Mesmo que a geração seja extremamente realista e as simulações sejam prolongadas, isso não significa que o modelo realmente consiga avaliar estratégias de robôs. Apenas quando o desempenho no mundo virtual estabelece uma correspondência estável com os resultados reais, o modelo do mundo realmente adquire valor substitutivo para parte dos testes e erros reais.

Essas três barreiras também estão se tornando o núcleo da próxima fase da competição entre modelos mundiais.

WALL-SS, aprimorando o modelo mundial da arquitetura básica

WALL-SS é uma nova tentativa voltada para resolver esses problemas. De acordo com a descrição do artigo, é o primeiro modelo mundial a adotar a arquitetura de autoregressão na próxima escala.

Anteriormente, muitos modelos mundiais adotaram a abordagem de Diffusion de vídeo: inserem quadros históricos e ações, gerando vídeos futuros por meio de múltiplas etapas de desruído. Embora as ações sejam condições de geração, não são explicitamente incorporadas na cadeia de geração “ação → resultado”, o que faz com que o modelo dependa facilmente de pré-conhecimentos visuais, prevendo diretamente um futuro “provavelmente bem-sucedido” — mesmo que a pinça na realidade não tenha segurado o copo, o modelo ainda pode gerar uma imagem do copo sendo levantado com sucesso.

O WALL-SS organiza observações e ações em sequências causais "observação—ação—nova observação", permitindo que as ações participem verdadeiramente da geração do estado futuro. Em termos simples, primeiro determina-se como o mundo muda, depois preenche-se gradualmente os detalhes: uma escala grossa define o estado aproximado do braço mecânico e dos objetos, enquanto uma escala fina refina o movimento e o contato. Complementado por dados de falha, intervenção e correção, o modelo aprende que "ações diferentes levam a resultados diferentes".

Essa capacidade foi validada nos indicadores. O escore de seguimento de ações do WALL-SS atingiu 0,29, com precisão de trajetória de 0,539; em comparação, o escore de seguimento de ações do Cosmos3-Nano foi apenas 0,044. Outros modelos obtiveram pontuação zero.

Outro problema crucial é se o modelo mundial consegue “lembrar por tempo suficiente”. O WALL-SS preserva detalhes recentes e comprime históricos mais distantes por meio de memória de longo prazo em múltiplas escalas, permitindo que o modelo continue a simular a partir de suas próprias previsões durante o treinamento, reduzindo o problema de acúmulo contínuo de erros. Isso permite que o modelo realize simulações contínuas de 60 segundos, enquanto outros modelos já atingem seu limite em 20-30 segundos.

Mais importante ainda, essas capacidades foram finalmente testadas em máquinas reais. A variável independente permitiu que a mesma estratégia fosse executada tanto no WALL-SS quanto em robôs reais, completando 600 pares de experimentos virtuais e reais. Os resultados mostraram que o coeficiente de correlação entre as taxas de sucesso das tarefas foi de 0,926, e a precisão na classificação da força relativa das diferentes estratégias atingiu 89%.

Isso significa que os modelos mundiais começam a adquirir um valor ainda mais importante: não apenas gerar futuros que pareçam reais, mas também ajudar robôs a avaliar quais resultados cada ação produzirá e validar estratégias antecipadamente em um mundo virtual.

Claro, o WALL-SS ainda possui limitações. Suas entradas de ação incluem principalmente a posição, orientação e abertura/fechamento da pinça do extremo do braço mecânico, mas não incluem o estado completo das juntas, força e torque, portanto, o suporte para contato refinado e mãos multidedos ágeis ainda precisa ser validado.

Continue inovando na arquitetura enquanto a rota ainda não convergir

WALL-SS não é o resultado súbito da corrida para seguir a tendência dos modelos mundiais. No último ano, a Variável Independente tem explorado continuamente a mesma questão: como conectar realmente a compreensão do mundo pelo robô, a previsão de ações e a execução real.

O WALL-OSS integra visão, linguagem e ações robóticas em um único modelo base embodied por meio de pré-treinamento multimodal em larga escala; o WALL-OSS-0.5 avança ainda mais a transferência das capacidades de pré-treinamento para robôs reais; em seguida, o WALL-WM começa a modelar conjuntamente as mudanças no mundo e as ações robóticas, enquanto o X-Tokenizer explora como diferentes robôs e ações distintas podem ser incorporados em um modelo unificado. No WALL-SS, essa abordagem aponta ainda mais para uma questão central: o que acontece no mundo após a execução de uma ação?

Ao longo desta série de explorações, há um compromisso contínuo com a modelagem unificada do "mundo-ação". Os robôs não apenas precisam ser capazes de agir, mas também de prever as consequências dessas ações e ajustar continuamente seu comportamento com base nos resultados. À medida que modelos, dados, ontologias e experiências em máquinas reais se acumulam, essas explorações vão formando progressivamente um ciclo técnico de retroalimentação mútua.

A arquitetura básica da inteligência embodiada ainda está longe de convergir. Nesta fase, o que realmente importa não é acertar a resposta final em cada tentativa, mas sim a capacidade de propor continuamente novas hipóteses arquitetônicas, validá-las com dados e máquinas reais, e ajustar constantemente a rota com base nos resultados.

Este anúncio do WALL-SS é uma continuação dessa abordagem. Não se trata apenas do lançamento de um modelo, mas de uma rota tecnológica que pode ser validada coletivamente pela indústria: o auto-regressivo na próxima escala é mais adequado para robôs? As ações e os resultados podem realmente corresponder? Os testes virtuais conseguem refletir o desempenho em máquinas reais? Pesquisadores podem continuar explorando com base nisso, e empresas de robótica podem validar diretamente se isso pode ser integrado aos seus sistemas de treinamento e avaliação.

Isso também tem um significado mais importante para a indústria emergente de inteligência embodiada: reduzir os custos de exploração do setor e permitir que diferentes abordagens sejam testadas em aplicações reais.

Nos últimos anos, a competição no campo da inteligência embodiada no país concentrou-se mais no corpo, nos dados e na implementação de produtos. Mas uma indústria ainda não consolidada não pode simplesmente esperar pela emergência de uma arquitetura madura antes de tentar se posicionar; também é necessário que alguém entre em posições mais fundamentais, como modelos do mundo, representações de ação e paradigmas de aprendizado, buscando continuamente a próxima possibilidade.

WALL-SS certamente não é a resposta final, mas representa uma mudança: empresas locais começam a não apenas seguir rotas já existentes, mas a propor suas próprias hipóteses arquitetônicas e abri-las para avaliação da indústria.

Quando a rota tecnológica realmente mudar, o que determina uma empresa não é se ela acompanhou a geração anterior, mas se ela sempre manteve a capacidade de explorar a próxima geração.