光象科技联合清华大学李升波教授课题组发布了第一代物理原生世界模型 Phi-WM 1.0 ActEffect。和常见做法不同，这个世界模型不跟着机器人进入执行阶段，而是只留在训练环节，专门检查机器人提出的动作会带来什么后果，再把这种检查结果转成策略优化反馈。
按照文中的表述，这项工作的核心问题是：机器人已经能从演示数据中学会动作形态，能不能再利用动作可能造成的后果，反过来把策略训练得更好。对工业部署来说，这个问题也很现实，因为机器人每多运行一步模型，都会带来新的时延、算力消耗和成本。
世界模型留在训练场，不进入部署链路
过去的世界模型，更像机器人随身携带的「脑内沙盘」。机器人先借助它预测未来，再据此决定下一步动作。模型参与得越深，推理链路往往越长。
ActEffect换了一个思路。它只在训练时工作，负责检查机器人自己提出的动作会造成什么结果；训练完成后，受控世界模型退出部署链路，机器人执行任务时不再继续展开未来，也不需要搜索候选动作。
文章认为，这样的设计把「多想一会儿」留给训练，把更短的链路留给执行，也让训练价值更有机会转成部署价值。
ActEffect怎么训练：先给出三版动作答案
ActEffect的切入点来自模仿学习。当前不少通用机器人策略建立在 VLA 之上：摄像头提供场景信息，语言指令说明任务，模型再根据演示数据生成动作。传统训练里，模型输出如果更接近示范动作，通常就会得到更高分数。
但在真实物理环境中，动作数值接近，不等于执行结果正确。文章举例说，夹爪如果提前一点闭合，零件可能抓不稳；手腕角度如果稍有偏差，本来顺滑的插接也可能卡住。两段动作看起来差别不大，落到机械臂上，结果可能完全不同。
因此，ActEffect没有直接给机器人接上一条更长的思考链，而是先让策略交出三版动作提案：
- 第一版来自前馈分支，相当于机器人的第一反应；
- 第二版由 MIP 动作头给出粗提案；
- 第三版在粗提案基础上继续精修，形成最终执行动作。
这里的关键是三份提案都必须是完整动作。文章提到，扩散、流匹配这类策略在训练中会经过不少带噪中间状态，很难把每一步都当成可执行动作送入世界模型。ActEffect选出的三份提案则都可以在同一起点下被比较，谁会带来更好的后果，也就有了统一标准。
受控世界模型只看画面和动作，不读取任务语言
在这一步里，受控世界模型会拿到当前视觉状态和一份动作提案，然后预测这段动作执行后，场景会发生什么变化。三份动作提案各自都要跑一遍，相当于让机器人在训练中提前看了三次结果。
ActEffect在信息分工上做了一个切分。语言指令仍然留在 VLA 策略侧，负责告诉机器人要做什么；受控世界模型只看当前画面和动作，不再读取任务语言。
文中给出的解释是，同样是伸手推杯子，杯子怎么移动，取决于杯子当前所在位置、周围环境和机械臂施加的动作，而不是取决于指令写的是「挪开杯子」还是「清理桌面」。也就是说，任务语义和物理状态变化被分开处理。
此外，ActEffect把未来状态放进冻结的 DINOv3 视觉特征空间，而不是去生成一张逼真的未来画面。它关注的是物体位置、姿态和场景结构怎么变化。文章将这称为「物理原生」：任务语义交给 VLA，动作造成的状态变化单独学习。
如何把后果反馈写回策略
只看三版结果还不够，关键还在于把差别反馈回策略。训练数据本身包含动作执行后的真实观测，受控世界模型会把三次预测结果与真实未来逐一比较，并要求精提案比粗提案更接近真实未来，粗提案又要优于第一版前馈提案。
这样一来，策略每改一次动作，就能知道这次修改有没有把结果朝正确方向推进。
为了避免模型钻空子，ActEffect还给排序损失加入了梯度截断。按照文章的说法，差答案不能靠变得更差去衬托好答案，训练只能继续推动更好的提案靠近真实未来。
等训练结束后，受控世界模型和未来观测分支会一起移除，只保留 MIP 动作头完成粗提案和精修。也就是说，世界模型对「后果」的判断被写进了策略权重本身，而不是继续保留在部署链路中。
三项基准测试结果
从测试结果看，ActEffect在三项仿真基准上都给出了具体成绩。
在 LIBERO 这一包含四组单臂、多任务桌面操作的基准上，ActEffect取得了 98.8% 的平均成功率，比 DiT4DiT 的 98.6% 高 0.2 个百分点。文章提到，虽然领先幅度不大，但说明引入后果反馈后，机器人的基础操作能力没有被削弱。
在加入七类分布偏移的 LIBERO-PLUS 上，测试会改变相机视角、机器人初始状态和语言表述，并在光照、背景、传感器噪声、物体布局等方面制造变化。ActEffect的平均成功率为 80.3%，明显高于 Fast-WAM 的 51.5%。
到了 RoboCasa-GR1，任务进一步变化。模型需要控制拥有双臂、灵巧手和腰部自由度的 GR-1 人形机器人，在 29 维动作空间内完成 24 项桌面操作。ActEffect的平均成功率达到 67.5%，比表中第二名 ABot-M0 高 9.2 个百分点，比 Fast-WAM 高 10.8 个百分点。文章指出，动作维度越高、身体结构越复杂，后果反馈的作用越明显。
消融实验：去掉哪些模块，成绩如何变化
文中还给出了消融实验结果，用来拆开这套方法分别观察。
- 去掉后果反馈后，LIBERO 平均成功率从 98.8% 降到 97.0%；
- 把 DINOv3 特征空间换成 VLM 表示后，成绩为 97.3%；
- 拿掉排序损失后，成绩回落到 98.1%。
从这些结果看，文章认为 ActEffect证明了这套训练方式的有效性。
为什么这条路线会指向工业部署
文章接着把问题从实验室拉回到真实生产环境。在实验室里，大家首先看的是任务成功率；但进入工厂以后，机器人每多跑一层模型，就不只是表格里的一项算力开销，而会直接进入产线成本。
单台机器人在每一步多做一次未来展开，看起来也许还能接受；如果方案复制到几十个工位、几百台设备，额外显卡、功耗和维护成本就会被放大。ActEffect把受控世界模型留在训练阶段，正好避开了这部分在线开销。
文章的判断是，这种设计想从现有演示数据里再榨出一层监督，让机器人在训练时学到「后果」经验，但上岗后不必背着整套世界模型继续运行。
这一路线也与光象科技正在进入的应用场景有关。文中提到，汽车制造里存在大量散乱件上下料、复杂曲面质检等任务。传统自动化设备往往围绕固定工位开发，一套夹具、一段轨迹只服务一种零件。零件位置一变，或者操作空间变窄，原本稳定的流程就可能卡住。具身智能想补的，正是这部分适应能力。
真实场景验证与商业合作进展
按照文章披露的信息，光象科技已经围绕焊接上下料、移动质检等典型高价值工位完成真实场景验证，并与多家国内外头部汽车企业展开商业合作。
在 2026ATC 展会上，团队把 Phi-Bot X1 放进蔚来汽车焊接上下料场景。机器人连续运行 3 天，累计作业 21.5 小时，期间零失误、零中断。
文章同时指出，ActEffect目前已经在三项仿真基准上验证了训练方法；真机层面的下一步验证，则将沿着 Phi-Bot X1 所在的工业具身系统继续推进。21.5 小时的记录来自整套工业具身系统，新模型后续还要沿着这条真实链路接受检验。
团队背景与系统化能力
光象科技成立于 2025 年 4 月，由清华大学车辆与运载学院和人工智能学院联合孵化。
创始人兼 CEO 张涛是清华大学博士、米兰理工大学博士后，此前担任阿里巴巴高德地图技术总监和空间感知引擎负责人，相关技术曾进入汽车量产体系。联合创始人李升波长期从事自动驾驶与具身智能研究，也有多项技术进入产业应用。
文章提到，这家公司一边做强化学习和世界模型，一边也在搭机器人本体、数据算法体系和开发平台。进入工厂以后，模型只是整套系统的一部分，硬件要能扛住连续运行，系统要方便部署，出现问题时还要能快速维护。任何一块缺失，算法成绩都很难完整落到产线上。
仿真成绩之外，后续考验仍在真实产线
文章最后把焦点放在商业化和交付上。过去两年，具身智能领域并不缺少亮眼演示，机器人可以跑、跳、叠衣服，也能理解较长指令；但到了客户现场，演示视频里的几十秒，往往会被拉长成一天、一个月，甚至一整年的连续运行。
工厂也不会仅凭一项基准成绩就完成验收。正式交付之后，还要面对节拍、精度、安全性、故障率等一系列指标；通过之后，同样的能力还要从一个工位迁移到相似工位，从一家工厂复制到更多工厂。
复制规模扩大后，新的问题也会出现：每换一个客户，要重新定制多少内容，部署需要多久，机器人和算力投入能否被节省下来的人力与停线损失覆盖。文章认为，这也是 ActEffect把世界模型留在训练阶段的商业意义所在。
如果后果反馈能让策略在真机上更稳定，又能省掉执行阶段的世界模型开销，那么机器人复制到更多工位时，算力成本就不会随着推理链路一起膨胀。对于一套准备规模部署的工业系统，这比单次演示里多完成一个动作更现实。
不过，文章也明确表示，这个推论还需要真机数据补上最后一段。光象科技目前已经完成部分真实场景验证，并与头部车企达成商业合作；其选定工位有明确需求，团队同时具备学术研究和汽车产业经验，这些条件让它有机会继续向交付环节推进。
ActEffect已经在仿真中证明，世界模型未必需要一直跟着机器人运行，让它在训练阶段反复检查动作后果，也能把经验留下来。这为世界模型进入具身智能提供了另一种位置安排，也把稳定性和成本这两个工业部署中的现实问题摆到了台前。
本文来自微信公众号「量子位」（ID：QbitAI），作者：金磊。