WALL-SS 发布，世界模型的下一范式？
做动作条件世界模型，主流路线是视频扩散，按clip组织，反复去噪出一段未来。改成自回归往下推更有前途，代价是误差顺着上下文累积，物体身份和动作历史跟着错乱。三个问题卡着落地，视觉先验够强时动作条件被绕开，记忆只留最近状态、全留则显存随时长涨，虚拟世界的成功率不能给真机策略当依据。

自变量机器人发布的 WALL-SS 走下一尺度自回归，先勾粗轮廓再补细节，把每一帧未来分颗粒度生成出来；整段具身经历写成观测与动作交替的因果序列，换来变长生成、流式续推和直接做强化学习。三个改进各对一个痛点。（图2）

[一] 尺度对齐的动作条件注入。动作轨迹被渲染成一段与 RGB 共享时间戳的动作视频，按视觉尺度分档注入，每一步生成都读得到同尺度的动作。同一初始帧换动作，未来跟着分岔，轨迹与指令的契合度大幅提升，动作跟随得分 0.29。

[二] 尺度压缩的长时间跨度记忆。同一套尺度层级反着用在时间上，近的 clip 保留细尺度因果状态，远的逐级压到粗尺度，动作历史同步压缩，内存上界与 clip 数无关。连续推演 60 秒，只留近期 clip 的版本轨迹误差冲到 0.8，全历史 KV 的到 0.48，WALL-SS 停在 0.2。

[三] 视觉动力学的在线策略对齐，把画面生成本身当成策略优化。模型采新鲜轨迹，两个冻结的裁判分别看每步转移合不合动作、长时窗内状态连不连贯，用 GRPO 更新。动作跟随和轨迹准确度同步提升，虚拟与真实的成功率吻合度达到 0.93。

✅ 同一套网络既能当模拟器按给定动作预测未来，也能当规划器自主规划路径，出方案到验方案的闭环在一个模型里跑完，600 对配对实验里给 checkpoint 排序的准确率是 89%。它内置动作解码头，从生成画面里直接读出下一步动作，无需外接模块，本身就是能指挥机器人的策略，真机平均任务进度 69.1，π0.5 是 49.6。

下一尺度自回归的价值在于，动作注入、记忆压缩和强化学习对齐由同一套网络一起承担，省掉三处各自打补丁。世界模型能当仿真平台用，替具身研发快速筛策略，周期就能缩短。眼下已经放出了论文和代码，能不能长成范式，还得看行业的跟进。[赞]

世界模型 机器人 论文解读 开源