JEPA、空間智能路線正面交鋒：WorldArena 2.0 挑戰賽開考「能不能被機器人真正用起來」| IROS 2026

JEPA 路線先下一城：視啟未來 Track 1 第一，晨昏線 Track 2 第二。作者丨張豈萍 幸麗娟 編輯丨幸麗娟 世界模型的競爭，正在從“生成未來”，走向“能不能被機器人真正用起來”。視頻可以生成得越來越逼真，但進入機器人系統後，世界模型還要回答更具體的問題：它能否預測動作執行後的狀態變化，能否支持策略訓練，最終能否在真實機器人上完成任務。WorldArena 把世界模型拉進了同一個“考場”。這套評測體系由清華大學團隊聯合多所海內外高校推出，是世界模型領域最權威的評測榜單之一。WorldArena 1.

0 已經將世界模型評測從單純的視頻生成，初步延伸到數據生成、策略評估和動作規劃等具身任務。但整體仍主要集中在視覺輸入、離線任務和仿真環境。真實機器人執行、在線強化學習閉環、視觸覺多模態感知，以及真實部署中的噪聲、延遲和誤差累積，還缺少系統性的評測。針對這些缺口，WorldArena 2.0 進一步升級了評測體系。模態從純視覺擴展到視觸覺，功能從離線任務擴展到在線強化學習，平臺從仿真環境延伸到真實機器人。IROS 作為機器人領域最具影響力的國際頂級會議之一，WorldArena 2.

0 Challenge 在這場盛會上搭起了真機閉環的競技場，三條賽道分別指向視頻質量、在線強化學習環境和真實機器人操作。幾大世界模型流派爭鳴這麼久，不同技術路線下的模型，也終於在這個競技場上真刀真槍地一較高下。明確走 JEPA 路線的視啟未來拿下 Track 1 冠軍，空間智能路線的同濟大學 BWM-Turbo 模型則以 0.84 分之差位列第二；另有同屬 JEPA 路線的晨昏線科技，在 Track 2 總分第二。此外，一個值得注意的細節是：三條賽道的前兩名，學院派與產業派都各佔一席。世界模型賽道的競爭，已經迎來學術與工程能力的正面對撞。

圍繞賽事定位、多機構協作、賽道設置與榜單結果，AI 科技評論還採訪到了 WorldArena 2.0 Challenge 主辦方清華團隊。他們的回答，也進一步說明了這套評測在走向在線交互和真機執行時，如何設計、如何協作，又有哪些邊界。01WorldArena 2.0，新一輪“大考”難在哪WorldArena 2.0 把世界模型評測進一步推進到了在線交互和真實機器人。WorldArena 1.

0 主要檢查兩類能力：一類是世界模型生成的未來視頻質量，15 項指標覆蓋視覺質量（Visual Quality）、運動質量（Motion Quality）、內容一致性（Content Consistency）、物理遵循性（Physics Adherence）、3D 準確性（3D Accuracy）和可控性（Controllability）；另一類看這些預測對機器人有沒有實際用處，包括數據生成、策略評估和動作規劃。對 14 個代表性模型的評測顯示，視頻質量和具身任務表現並不總能對應。畫面生成得更加清晰、流暢，並不意味著模型在數據生成、策略評估和動作規劃中一定表現更好。WorldArena 1.

0 的覆蓋範圍也相對有限：模態上只處理視覺信息，功能上以數據生成、策略評估和動作規劃等離線任務為主，平臺上也主要停留在仿真環境。觸覺反饋、在線交互以及真實機器人中的執行表現，沒有進入這套評測。WorldArena 2.0 的升級，則沿著模態（Modality）、功能（Functionality）和平臺（Platform）三個方向展開。模態上，從純視覺擴展到視觸覺。考察模型能否同時處理畫面和接觸信息。功能上，從離線評測擴展到在線強化學習。考察世界模型能否作為交互環境支持策略訓練。平臺上，從主要依賴仿真環境擴展到包含真實機器人評測。RoboTwin 2.

0 和 LIBERO 等仿真環境之外，WorldArena 2.0 進一步加入真實機器人測試，把模型在物理環境中的執行表現也納入評估。基於 WorldArena 2.0 的這套評測方向，Challenge 設置了三條賽道：Track 1 評測視頻質量，Track 2 評測世界模型作為強化學習環境的能力，Track 3 評測真實機器人操作。Track 1 延續並升級了原有的視頻質量評測，Track 2 和 Track 3 則是 2.0 新增的賽道。Track 1 設置了70 個正式任務。

其中50 個是白色桌面的ID（In-Distribution，分佈內）clean場景，另外20 個是彩色或帶有紋理桌面的 OOD（Out-of-Distribution，分佈外）場景。所有參賽模型都在同一組數據集上接受測試。這一賽道考察長程和分佈外場景下的視頻生成表現。OOD 場景通過改變桌面的顏色和紋理，引入與 ID 場景不同的視覺條件，用來觀察模型面對分佈變化時，能否繼續保持物體身份、空間拓撲和動作因果一致。最終成績由 15 項指標共同決定，覆蓋畫面質量、運動質量、內容一致性、交互準確性、3D 幾何和指令執行等方面。

JEPA 表徵相似度（JEPA Similarity）也被納入其中，通過 V-JEPA 提取視頻特徵，比較生成視頻與真實參考視頻的特徵分佈是否接近。Track 2 進一步進入連續交互。世界模型需要作為強化學習環境，策略在其中反覆執行動作、獲得新的狀態和獎勵，再繼續更新。訓練完成後，策略還要回到 RoboTwin 2.0 中測試任務成功率，檢驗世界模型是否真正支持在線策略訓練。這要求世界模型在多輪交互中保持穩定和動作可控，還要正確反映不同動作帶來的狀態變化，生成可靠畫面為模型提供有效的獎勵信號。一次預測偏差也可能被帶入下一輪交互，並在連續交互中不斷累積。

Track 3 則把評測直接放到真實機器人操作中。官方同時設置純視覺和視觸覺兩類任務：既包括擦桌、倒水、清理桌面、疊衣服等視覺驅動操作，也包括夾薯片、削黃瓜、插兩孔插頭等需要接觸信息的任務。到了真機，接觸力變化、傳感噪聲、通信延遲都會直接影響任務結果。重點考察模型和策略在真實環境中的泛化魯棒性和動作偏離後的自恢復能力。從 Track 1 到 Track 3，評測逐步從“能不能預測”，推進到“能不能支撐學習”，最後再到“能不能在真實機器人上完成任務”。02三條賽道揭榜，冠軍團隊各自強在哪9 月 16 日，WorldArena 2.0 Challenge 全球終榜揭曉。

三條賽道獨立排名、獨立評獎，按官網公佈的獎項金額計算，總獎金為 7000 美元。▎Track 1：WorldIncept，不只贏在視頻“好看”Track 1 終榜共有 81 個模型獲得最終成績。視啟未來（Visincept）的 WorldIncept 以 72.33 分排名第一；同濟大學計算機科學與技術學院空間智能團隊的 BWM-Turbo 以 71.49 分位列第二，兩者相差 0.84 分。從分項來看，WorldIncept 的優勢不只集中在畫面質量。

終榜結果顯示，WorldIncept 在物理遵循性（Physics Adherence）和 3D 準確性（3D Accuracy）兩項維度排名第一；語義對齊（Semantic Alignment）得分 90.11，同樣位列單項第一。物理遵循性關注生成過程是否符合真實世界的運動和交互規律；3D 準確性進一步考察深度、透視和空間幾何關係；語義對齊則看生成結果有沒有真正按照任務要求發生變化。這些領先指標，也與 WorldIncept 背後的團隊積累有一定對應關係。

WorldIncept 背後的視啟未來由 IDEA 研究院孵化，已推出 DINO-X 系列視覺模型、DINO-XGrasp 萬物抓取模型，並與百度智能雲合作推出 EgoTwin 數據引擎。它依託十萬小時級 Ego 數據和遙操作數據進行機器人動力學建模，並融合團隊在通用物體理解、空間智能和人體/人手動作理解上的積累。相比之下，同濟大學空間智能團隊更關注長時生成的穩定性。BWM-Turbo 在 DiT 架構基礎上加入首幀引導、動態記憶和動作控制等設計，重點處理長時生成中的場景穩定、動作響應和時序一致性問題。

此次終榜中，BWM-Turbo 在背景一致性（Background Consistency）和 JEPA 表徵相似度（JEPA Similarity）兩項指標位列第一，也體現出這套方案在場景穩定和表徵一致性上的優勢。兩套方案的技術取向不同，但 Track 1 的競爭重點已經很清楚：視頻生成只是基礎，空間結構、動作變化和長時推演中的物理一致性能否穩定保持，開始成為拉開差距的關鍵。▎Track 2：MW2，世界模型開始真正進入策略訓練Track 2 是 WorldArena 2.0 新增的在線強化學習賽道，評測世界模型能不能真正作為機器人訓練策略的環境。

策略先產生動作，世界模型預測動作之後的未來狀態，再根據這些預測進行獎勵計算和策略更新，最後看訓練後的策略能不能把任務做成。賽道基於 RoboTwin 環境，使用 Adjust Bottle（調整瓶子）這項任務進行。該任務要求機器人重新調整瓶子的姿態和位置，考驗精細位姿控制和抓取穩定性。終榜中，北京中關村學院的 MW2 以 72.93 分排名第一，晨昏線科技的 TTWM 以 72.40 分位列第二，兩者相差僅 0.53 分，也是 47 個參評模型中僅有的兩個超過 72 分的方案。MW2 背後的北京中關村學院，近年來持續佈局具身智能和物理智能。

緊隨其後的 TTWM，則在世界模型訓練上採用了更具體的優化方案。它是晨昏線目標因果世界模型 GCWM 的參賽版本，重點建模“動作會怎樣改變未來狀態”。模型以當前狀態、任務目標和機器人動作為條件，預測動作執行後的物理交互和狀態變化。在 Track 2 的連續 rollout 中，團隊還圍繞目標區域、空間幾何和跨時間一致性進行了針對性優化，並通過幀級噪聲、冷啟動隨機化等設計，降低多輪預測中的誤差累積。這些設計也進一步體現在下游策略表現上。Baseline VLA π0.5 的成功率為 55.46%；以 GCWM 作為強化學習環境進行策略優化後，VLA 模型的成功率提升至 72.40%。

Track 2 把競爭重點進一步推向策略學習，世界模型是否真正能夠提升下游策略表現，成為這一賽道的核心。▎Track 3：ViTacX，真機任務綜合第一Track 3 是 WorldArena 2.0 新增的真實機器人評測賽道，覆蓋 AgileX 雙臂機器人和 Franka Panda 單臂機器人。其中，Track 3.1 評測視觸覺操作，在 AgileX 上完成夾薯片、削黃瓜和插兩孔插頭 3 項任務；Track 3.2 評測純視覺操作，AgileX 設置擦桌、倒水、清理桌面、按指令清理桌面、疊衣服和疊紙盒 6 項任務，Franka 也覆蓋擦桌、倒水和清理桌面。

各任務以真機執行成功率評價；綜合總榜結合任務難度，並按視覺與視觸覺方向的權重彙總計分。機器人需要在規定步數內完成操作，且過程中不能觸發安全乾預。綜合總榜中，小米機器人 MiRobot 團隊提交的 ViTacX 以 76.64 分排名第一，上海科技大學 OmniFlow 團隊以 67.37 分位列第二。ViTacX 的主要優勢來自純視覺子榜。它在 Track 3.2 以 85.00 分排名第一，在擦桌、倒水、疊衣服和摺紙箱 4 項取得單項最高分，其中前三項均為 100 分。從團隊技術背景看，小米機器人長期關注具身基礎模型、VLA 和真實機器人執行，研究覆蓋視覺感知、動作生成到真機連續執行等環節。

這些方向，也正好對應 Track 3.2 所考察的視覺驅動操作和真實機器人執行能力。Track 3.2 純視覺操作榜到了 Track 3.1 視觸覺子榜，ViTacX 以 66.67 分排名第三。相比之下，OmniFlow 在純視覺和視觸覺兩個子榜中都保持在第二位。其背後的上海科技大學長期開展機器人操作和觸覺相關研究，自動化與機器人中心的具身操作研究覆蓋觸覺感知、遙操作、模仿學習、強化學習和多接觸運動。Track 3.1 視觸覺操作榜從兩個子榜來看，ViTacX 的總榜優勢主要來自視覺驅動的真機操作，在視觸覺任務上的表現則相對靠後。

03同一套評測下，世界模型技術路線各有側重從已經公開的方案和榜單表現看，WorldArena 2.0 把不同世界模型技術路線放到了同一套評測體系中比較，不同方案各自擅長什麼，也開始變得更加清楚。Track 1 的前兩名，指向的是兩種不同的技術路線。WorldIncept 背後的視啟未來旗幟鮮明走 JEPA 隱空間路線，BWM-Turbo 則走空間智能路線。兩條路線的模型同臺競技，WorldIncept 在物理遵循性和 3D 準確性上領先，BWM-Turbo 則在背景一致性和 JEPA 表徵相似度上位列第一。Track 2 直接檢驗世界模型能不能穩定充當策略訓練環境。

冠軍 MW2 來自北京中關村學院，該團隊關注機器人對物理規律的理解，並把這種理解與動作學習、執行結合起來。第二名晨昏線科技的 TTWM 更加側重動作因果預測，關注目標區域、空間幾何約束、物體跨時間一致性，以及連續 rollout 中的誤差累積。Track 3 中，小米機器人 MiRobot 團隊的 ViTacX 拿下綜合第一，但它在純視覺任務中的優勢，並沒有完全延續到視觸覺操作。這說明，真實機器人操作不僅要看清環境，還要處理接觸信息。多模態信息能否穩定進入動作規劃和控制閉環，才是更難的部分。三條賽道榜首團隊各有所長，在不同能力層面展現獨特優勢。

由於參賽具有選擇性，是否有模型能夠同時在視頻生成、策略訓練和真實機器人操作上達到領先水平，還有待驗證，也值得期待。04對話主辦方：世界模型的“考場”是怎麼搭起來的從多機構對賽事結果的統一判定，再到評測設置如何減少單一指標帶來的偏差，WorldArena 2.0 的評測背後還有不少技術和組織問題。主辦方清華團隊在採訪中，也對這些問題進行了解答。以下為對話實錄，AI 科技評論進行了不改變原意的刪改。WorldArena 的定位與評測機制▎AI科技評論：WorldArena 如今已成為世界模型的核心評測基準之一。你們怎麼看這種認可？以及你們認為這種認可主要來自哪裡？

主辦方：這種認可主要來自學術界和產業界的共同需求：需要一套評測方法，判斷世界模型預測出的未來，能不能真正幫助機器人執行動作。對具身智能來說，要看模型能否準確響應動作指令，預測的運動是否符合物理規律，以及它能不能支持策略學習和真實執行。這些能力很難僅靠觀看視頻判斷，需要專門的測試。WorldArena 1.0 把這些問題轉化成了可以按統一標準執行的測試流程，2.0 又加入了在線強化學習和真實機器人交互，進一步考察仿真到真實（Sim2Real）的遷移和閉環反饋。對我們來說，一個基準有沒有長期價值，要看它能否幫助研究者與從業者找到模型的本質問題、解釋優點與不足，並據此改進方法。

▎AI科技評論：WorldArena 涉及清華、北大、CMU、斯坦福、普林斯頓、港大、NUS、中科院自動化所等多個機構，作為主辦方的清華團隊，具體扮演什麼角色？主辦方：清華團隊主要負責評測框架的研究設計與開發，以及賽事評測和開源社區維護。這個基準覆蓋了視頻生成到真機操作，需要投入大量軟硬件、算力、人力資源，單靠一個團隊很難完成，必須由多家機構共同協作。具體工作包括搭建評測流程、規範處理提交代碼、對接跨地域的遠程推理服務、維護分佈式評測集群，以及校驗和彙總結果。真機賽道還需要和與機器人平臺的合作方完成硬件接口適配、測試時段預約和現場操作安排。▎AI科技評論：多機構協調上是否會遇到什麼問題？

能不能舉一兩個具體例子？主辦方：比較突出的困難有兩個：一是不同計算環境下如何保證評測結果能夠復現；二是不同現場的機器人設備和人員怎樣協調。比如，同樣的評測代碼，在 NVIDIA 和 AMD 等不同架構的顯卡上運行，如果底層算子實現和環境依賴沒有細緻對齊，結果可能出現細微波動。因此需要做多硬件環境適配、統一底層配置，再集中複核，避免把平臺差異誤判為模型能力差異。真機評測還涉及不同地區的場地、設備狀態和人員安排，需要針對不同本體設計任務和數據採集流程。遠程模型服務還要以毫秒級的時序配合現場執行，接口協議、物理初始條件和執行日誌都要交代清楚。

▎AI科技評論：評測維度非常多，哪些可自動評測，哪些依賴專家主觀打分？如何保證跨機構、跨賽道評分一致性？主辦方：三個賽道的自動化程度不同，取決於測試是否涉及在線交互和現場設備操作。Track 1 主要評測生成能力，指標主要由自動化流程計算，同時保留對異常輸出和可疑提交的人工審核。Track 2 考察強化學習策略在世界模型環境中的迭代表現，評測流程的自動化程度也比較高。人工工作主要是排查服務調用的連通性，協調各隊伍的交互計算時段。Track 3 涉及真機操作，需要現場人員參與設備復位、抓取觀察、異常處理和任務成敗判定，並與參賽隊伍保持實時連線，由雙方實時溝通確認測試結果，據此統計成功率。

一致性主要通過同一賽道內採用統一規則來保證。各隊伍的輸入格式、API 規範、計算預算、評估指標版本和失敗判定標準都保持一致。不同賽道考察的能力不同，分數不能直接比較，我們重點保證的是每個賽道內部評測條件和判定標準的一致。▎AI科技評論：榜單是否分挑戰賽榜單和日常榜單？日常榜單更新機制是什麼？多久更新一次？主辦方：挑戰賽榜單和日常研究榜單的用途不同，公開範圍和更新安排也有所區別。挑戰賽榜單用於確定比賽成績和獎項，有明確的提交截止時間、榜單封榜規則和獲獎審查流程。為保證比賽公平，部分測試數據不完全公開。

日常研究榜單長期向學術界開放，代碼和評測協議完全開源，研究者可在本地複用，為後續算法改進提供持續性能參照。挑戰賽新增兩條賽道，考察模型能否真正執行▎AI科技評論：WorldArena 2.0 比 1.0 增設 Track 2（MB-RL）和 Track 3（真機 WAM）。這個想法怎麼提出的？為什麼偏偏增設這兩個賽道？背後考慮有哪些？主辦方：增設這兩個賽道，是為了進一步檢驗模型在交互和真實執行中的作用。1.0 主要聚焦具身數據引擎和策略離線評估，仍以開環的、仿真環境內的靜態測試為主。模型在本地微調後接受測試，缺少實時反饋，也不能在交互過程中自我修正。2.0 希望進一步考察兩方面的能力。

一是閉環交互能力。策略能否把世界模型作為交互環境，在模型生成的動態空間中持續學習和試錯。二是具身泛化能力。在模型環境中學到的技能，經過 Sim2Real 遷移後，能否用於實體機械臂的操作。背後的考慮在於：視頻生成得連貫，不代表模型能提供可靠的物理反饋；在仿真中穩定運行，也不代表到了真機上仍能正常執行。因此，有必要把在線交互和真機部署單獨設為賽道。▎AI科技評論：之前商宇老師在接受我們的採訪時，曾坦言榜單“sim-to-real gap”的侷限。Track 3 真機賽道是不是直接回應了這個問題？能在多大程度上解決？主辦方：真機評測將實際傳感、接觸條件和設備執行過程納入測試，為仿真研究提供補充。

摩擦力變化、光照干擾、電機控制延遲和剛體接觸等因素會影響真機任務結果。不過 Track 3 目前覆蓋的任務、環境和機器人本體仍有限制，後續會持續拓展、改進。▎AI科技評論：後續還會迭代到 WorldArena 3.0 嗎？會考慮加入什麼維度的測試