OpenAI投的機器人公司，發世界模型，靠“想象”干活兒

機器人前瞻（公眾號：robot_pro）
作者 江宇
編輯 漠影

機器人前瞻1月14日報道，昨日，OpenAI投資的挪威人形機器人公司1X發布了一款全新世界模型“1X World Model（1XWM）”，用于賦予機器人通識行為能力，并提升其對物理世界的理解與推理能力。

1XWM是一種在推理階段可通過文字和初始畫面生成未來視頻、再從中推理出機器人動作的世界模型，訓練時借助了網頁視頻和少量機器人數據。

其主要應用對象為1X正在量產的人形機器人Neo，這是一款“穿著瑜伽服、表情呆萌”的陪伴型機器人，主打家庭使用場景。

1X創始人兼CEO Bernt B?rnich稱：“Neo如今能夠將任意指令轉化為新動作，即便此前從未執行過類似任務。這標志著其通往‘自我學習’能力的起點，未來幾乎可以掌握人類所能想到的任何技能。”

▲1X創始人兼CEO Bernt B?rnich

不過，官方也澄清稱，當前模型仍需經過視頻與動作的雙重建模過程，尚未實現真正“零樣本即執行”。

一、利用視頻推理世界，1XWM跳出“圖像到動作”的舊思路

不同于多數以圖文輸入直接預測動作的VLA（視覺語言動作）模型路線，1XWM通過“文字指導的視頻生成”推理機器人應執行的動作路徑。

其核心由兩個部分構成：一是基于14B視頻生成模型訓練的主干World Model（WM），用于預測場景的未來狀態；二是Inverse Dynamics Model（IDM），將視頻幀序列轉化為實際可執行的機器人動作軌跡。

▲圖源：1X World Model技術博客

這一流程可簡單概括為：接收文字指令與起始視頻幀，WM生成未來的視頻片段，IDM提取控制動作，Neo執行任務。得益于NEO與人類動態結構的高度擬合，模型在物理互動（如摩擦、慣性、接觸）等方面能實現更真實的轉譯。

整體架構在設計上強調了將人形結構視作模型泛化的前提。

該模型無需大規模真實機器人數據，僅通過900小時第一視角人類視頻中訓練出的操控直覺，結合70小時Neo特定數據進行微調，即可在視覺-空間-物理層面展現出較強泛化能力。

這一訓練策略顯著提升了模型對“從未見過的物體與動作”的適應力，使得Neo能完成雙手配合、與人交互等未曾直接訓練過的復雜任務。

二、視頻質量可預估任務成功率，模型探索“自我改進飛輪”

為了量化1XWM在真實世界中的能力，1X進行了多輪測試，包括廚房、衣物處理等實際任務。

▲抽紙巾

▲擺放椅子

▲比耶

測試數據顯示，該模型在大部分任務上表現穩定，盡管在如“倒牛奶”和“畫笑臉”等更精細的操作中仍有挑戰。

▲1XWM在不同家務任務上的成功率

研究團隊還發現：生成視頻的物理真實性與動作成功率呈正相關。若生成的視頻動作存在物理邏輯錯誤（如物體漂浮、深度錯位），實際機器人執行幾乎為0%成功率。

基于這一觀察，團隊測試了“多版本生成、優選最佳”的策略，并發現將單次生成擴展為8次并挑選最優者，可顯著提升任務成功率。

▲抽紙巾任務中，不同生成次數對執行成功率的影響（“拉紙巾”任務成功率從30%提升至45%）

在提升視頻質量方面，1X團隊使用了“文字說明增強”策略，即用VLM模型擴寫訓練視頻的任務描述文字，以更好對齊視頻生成模型的文字理解能力。

另一個關鍵是加入了第一視角人類操作視頻的訓練階段，這一做法顯著提升了模型在新任務和新環境上的泛化質量。

▲洗碗

1XWM當前每輪推理需約11秒，能生成5秒真實世界可執行的動作視頻，并已與Verda團隊合作優化GPU推理。

下一步，1X計劃加速模型響應速度，并探索長時任務的閉環重規劃機制，逐步邁向機器人“通識行動力”與“自我提升閉環”的目標。

1X團隊稱，1XWM已經具備“由機器人自身經驗驅動探索、評估與策略優化”的機制，只需保持任務覆蓋的非零成功率，就有望持續推進性能提升與任務泛化，進入真正意義上的“自我改進飛輪”。

結語： 生成視頻，推理動作，再到執行

1XWM尚未實現真正意義上的“零樣本即執行”，但它提供了一種新思路：機器人不再直接從數據中學動作，而是先生成一段對未來的“視頻想象”，再從中推理出可執行的動作路徑。

在這種架構下，視頻成為連接任務場景、推理與行動的中間環節。當模型能夠基于當前場景主動生成對未來的預測，并據此推理出下一步動作時，具身智能或許正邁向更高層次的泛化能力。