论文页面 - GigaWorld-1: 构建用于机器人策略评估的世界模型路线图

来源：https://huggingface.co/papers/2607.02642
发布于 7 月 2 日

#3 今日论文 (https://huggingface.co/papers/date/2026-07-07)
作者：


,


,


,


,


,


,


,


,


,


,


,


,


,


,


,


,


,


,


,


,

摘要

我们通过一个新的基准对用于机器人策略评估的世界模型进行了系统研究，结果表明：对于可靠的策略评估而言，长时域推演的一致性和机器人特有的可控性比短期视觉逼真度更为重要。

评估具身机器人基础模型仍然是一个关键瓶颈；与可通过数字基准高效评估的大语言模型不同，机器人策略 (https://huggingface.co/papers?q=robotic%20policies) 需要缓慢且昂贵的现实世界推演，受限于硬件和人工监督，这促使研究者对作为替代策略评估器的世界模型 (https://huggingface.co/papers?q=world%20models) 产生兴趣，然而，使世界模型可靠用于策略评估的关键特性仍未被充分理解。本文对用于机器人策略评估 (https://huggingface.co/papers?q=policy%20evaluation) 的世界模型 (https://huggingface.co/papers?q=world%20models) 进行了系统研究，并提出了 WMBench 基准，该基准由真实机器人遥操作 (https://huggingface.co/papers?q=real-robot%20teleoperation) 数据和匹配的策略推演数据构建而成，涵盖了多种操作任务，以实现对模型系列、动作编码、推演时域 (https://huggingface.co/papers?q=rollout%20horizons) 和评估指标的受控比较。利用 WMBench，我们分析了 7 个视频世界模型 (https://huggingface.co/papers?q=video%20world%20models)、4 种动作表示方案 (https://huggingface.co/papers?q=action%20representation%20schemes) 以及超过 324,000 次模拟策略推演（与真实机器人执行相匹配），并进一步通过来自 CVPR 2026 GigaBrain Challenge 的大规模社区提交、精心策划的合成轨迹以及超过 12,000 小时的训练视频丰富了我们的分析。我们的实验揭示了三个核心见解：评估器质量主要取决于长时域、动作保真度高的推演一致性，而非短期视觉逼真度；预训练的增益不仅来自数据规模，还来自通用世界知识与机器人特有可控性之间的平衡；架构选择（包括动作编码、记忆设计和以评估器为重点的后训练）强烈决定了与现实世界机器人行为 (https://huggingface.co/papers?q=real-world%20robot%20behavior) 的对齐程度。基于这些结果，我们总结出一条实用的设计路线图，并实现了 GigaWorld-1 (https://huggingface.co/papers?q=GigaWorld-1)，一个专门针对策略评估 (https://huggingface.co/papers?q=policy%20evaluation) 优化的世界模型。我们完全开源了代码、模型、数据集和工具包，以推动具身基础模型的可扩展评估研究。

查看 arXiv 页面 (https://arxiv.org/abs/2607.02642)
查看 PDF (https://arxiv.org/pdf/2607.02642)
项目页面 (https://open-gigaai.github.io/giga-world-1/)
GitHub118 (https://github.com/open-gigaai/giga-world-1)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.02642)

在你的 agent 中获取本文：

hf papers read 2607\.02642

没有最新的 CLI？
curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型 0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2607.02642 即可从本页面链接。

引用本文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2607.02642 即可从本页面链接。

引用本文的 Space 0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2607.02642 即可从本页面链接。

包含本文的收藏 0

没有收藏包含此论文

将本文添加到收藏 (https://huggingface.co/new-collection) 即可从本页面链接。