机器人前瞻（公众号：robot_pro）
作者 | 江宇
编辑 | 漠影

机器人前瞻1月14日报道，昨日，OpenAI投资的挪威人形机器人公司1X发布了一款全新世界模型“1X World Model（1XWM）”，用于赋予机器人通识行为能力，并提升其对物理世界的理解与推理能力。

1XWM是一种在推理阶段可通过文字和初始画面生成未来视频、再从中推理出机器人动作的世界模型，训练时借助了网页视频和少量机器人数据。

其主要应用对象为1X正在量产的人形机器人Neo，这是一款“穿着瑜伽服、表情呆萌”的陪伴型机器人，主打家庭使用场景。

1X创始人兼CEO Bernt Børnich称：“Neo如今能够将任意指令转化为新动作，即便此前从未执行过类似任务。这标志着其通往‘自我学习’能力的起点，未来几乎可以掌握人类所能想到的任何技能。”

▲1X创始人兼CEO Bernt Børnich

不过，官方也澄清称，当前模型仍需经过视频与动作的双重建模过程，尚未实现真正“零样本即执行”。

一、利用视频推理世界，1XWM跳出“图像到动作”的旧思路

不同于多数以图文输入直接预测动作的VLA（视觉语言动作）模型路线，1XWM通过“文字指导的视频生成”推理机器人应执行的动作路径。

其核心由两个部分构成：一是基于14B视频生成模型训练的主干World Model（WM），用于预测场景的未来状态；二是Inverse Dynamics Model（IDM），将视频帧序列转化为实际可执行的机器人动作轨迹。

▲图源：1X World Model技术博客

这一流程可简单概括为：接收文字指令与起始视频帧，WM生成未来的视频片段，IDM提取控制动作，Neo执行任务。得益于NEO与人类动态结构的高度拟合，模型在物理互动（如摩擦、惯性、接触）等方面能实现更真实的转译。

整体架构在设计上强调了将人形结构视作模型泛化的前提。

该模型无需大规模真实机器人数据，仅通过900小时第一视角人类视频中训练出的操控直觉，结合70小时Neo特定数据进行微调，即可在视觉-空间-物理层面展现出较强泛化能力。

这一训练策略显著提升了模型对“从未见过的物体与动作”的适应力，使得Neo能完成双手配合、与人交互等未曾直接训练过的复杂任务。

二、视频质量可预估任务成功率，模型探索“自我改进飞轮”

为了量化1XWM在真实世界中的能力，1X进行了多轮测试，包括厨房、衣物处理等实际任务。

▲抽纸巾

▲摆放椅子

▲比耶

测试数据显示，该模型在大部分任务上表现稳定，尽管在如“倒牛奶”和“画笑脸”等更精细的操作中仍有挑战。

▲1XWM在不同家务任务上的成功率

研究团队还发现：生成视频的物理真实性与动作成功率呈正相关。若生成的视频动作存在物理逻辑错误（如物体漂浮、深度错位），实际机器人执行几乎为0%成功率。

基于这一观察，团队测试了“多版本生成、优选最佳”的策略，并发现将单次生成扩展为8次并挑选最优者，可显著提升任务成功率。

▲抽纸巾任务中，不同生成次数对执行成功率的影响（“拉纸巾”任务成功率从30%提升至45%）

在提升视频质量方面，1X团队使用了“文字说明增强”策略，即用VLM模型扩写训练视频的任务描述文字，以更好对齐视频生成模型的文字理解能力。

另一个关键是加入了第一视角人类操作视频的训练阶段，这一做法显著提升了模型在新任务和新环境上的泛化质量。

▲洗碗

1XWM当前每轮推理需约11秒，能生成5秒真实世界可执行的动作视频，并已与Verda团队合作优化GPU推理。

下一步，1X计划加速模型响应速度，并探索长时任务的闭环重规划机制，逐步迈向机器人“通识行动力”与“自我提升闭环”的目标。

1X团队称，1XWM已经具备“由机器人自身经验驱动探索、评估与策略优化”的机制，只需保持任务覆盖的非零成功率，就有望持续推进性能提升与任务泛化，进入真正意义上的“自我改进飞轮”。

结语：生成视频，推理动作，再到执行

1XWM尚未实现真正意义上的“零样本即执行”，但它提供了一种新思路：机器人不再直接从数据中学动作，而是先生成一段对未来的“视频想象”，再从中推理出可执行的动作路径。

在这种架构下，视频成为连接任务场景、推理与行动的中间环节。当模型能够基于当前场景主动生成对未来的预测，并据此推理出下一步动作时，具身智能或许正迈向更高层次的泛化能力。