论文XEWorld: Can Action-Conditioned World Models Generalize to Unseen Robot Embodiments?CASIA-NLPR / UCAS / Shandong University / FiveAgesAAAI 2027发布时间2026 年 8 月 6 日arXiv v1作者Yixiang Chen、Jiabing Yang、Yuan Xu、Qisen Ma、Keji He、Peiyan Li、Kai Wang、Ziheng He、Xiangnan Wu、Jing Liu、Nianfeng Liu、Yan Huang、Liang Wang共 13 人核心一句话用同一场景、五个双臂机器人做留一本体受控测试XEWorld 发现当前世界模型的跨本体泛化被视觉相似度主导r 0.812 r0.812r0.812而非运动学相似度r 0.549 r0.549r0.549——它们本质是 2D 视觉模板匹配器零样本渲染陌生机器人必须靠像素空间动作 逐帧时空对齐而少样本微调会把已学机器人灾难性遗忘UR5 的 LPIPS 暴涨 69%。核心关键词动作条件世界模型action-conditioned world model学到的环境模拟器给定当前观测和一个动作序列预测未来视频帧用于离线策略评估与规划。跨本体泛化cross-embodiment generalization换一个训练时没见过的机器人本体世界模型还能不能正确渲染它的运动与交互。留一本体协议held-out-embodiment / LOEO把某个机器人整本留出只做测试、其余训练从而把本体隔离成唯一变量。解耦指标体系decoupled metric suite把视觉质量、机器人形态、机器人运动学、物体动力学四维分开打分而非塌成单一标量。像素空间动作pixel-space action光流/掩码/射线图等直接锚定在图像平面的动作表示区别于抽象数值关节角。2D 视觉模板匹配器2D visual pattern matcher本文对当前世界模型本质的诊断——按视觉像不像匹配而非真正理解物理运动学。灾难性遗忘catastrophic forgetting少样本微调新本体时已学本体的表现崩塌。带着问题阅读同一场景换一个没见过的机器人世界模型还能渲染对吗为什么只在训练机器人上评测根本验不出真假机器人 A 和 B 运动学结构相近但长得不像、vs 长得像但运动学差很远——世界模型对哪种更难泛化给模型更多目标机器人的照片、多视角、运动视频为什么几乎没用什么条件才真的有用抽象数值关节角 vs 像素空间动作光流/掩码为什么后者跨本体远胜前者少样本微调能补上零样本的差距吗代价是什么这套2D 模板匹配器的瓶颈是某一个模型的毛病还是所有主流世界模型的通病一、核心导读动作条件世界模型被当成学到的模拟器——给一个动作就能 rollout 未来视频理论上可做离线策略评估与规划。但要当可靠模拟器它必须抓住不随本体改变的物理动力学而不是记住每个机器人特定的视觉外观。问题在于现有测试床只在训练机器人上评测而在见过的机器人上渲染得好分不清两种情况模型到底是真懂物理还是只是把这台机器人的样子背下来了。XEWorld 要回答的就是那句标题问一个动作条件世界模型能不能忠实渲染一台它从没见过的机器人为此它把机器人本体隔离成唯一实验变量——同一 25 项操作任务、同一场景布局/物体位姿/光照/相机在五个双臂机器人上做到字节级一致只有身体不同。如该图所示XEWorld 是一个受控的跨本体测试床专门用来判定世界模型究竟抓的是可泛化的物理动力学还是只记住了本体特定的视觉模式。它的核心结论很反直觉模型迁移到新本体的能力主要被视觉相似度而非运动学相似度主导——长得像训练集的就好渲染运动学结构像不像反而关系不大。这说明当前架构本质上是 2D 视觉模板匹配器。正因如此它们很难把抽象的数值关节角翻译成连贯的视觉轨迹逼得只能靠像素空间动作绕过这道翻译关也很难从静态初始观测预测动态变化。即便喂更丰富的目标机器人描述也几乎不涨点除非做到逐帧时空对齐。少样本微调能强行恢复外观却会灾难性遗忘已学机器人。论文据此给出未来世界模型的三个设计前提像素空间动作、显式时空对齐、以及从架构上把视觉外观与物理动力学解耦。二、问题背景作者到底想解决什么2.1 为什么在训练本体上评测验不出世界模型真假世界模型预测一个本体动作随时间的视觉后果。要当可靠模拟器它必须抓住不随本体改变的物理动力学而非记住本体特定视觉模式。但现有测试床只在训练本体上评这种分布内评测无法区分两种模型——真懂物理的、和只背外观的在见过的机器人上表现一样好。要真正验动作条件泛化必须评跨本体能力把机器人本体当成主要变量隔离出来看模型能否把物理环境与特定本体解耦。这是 XEWorld 的出发点。2.2 跨本体泛化的两个朴素假设为什么都站不住围绕跨本体迁移圈里流行两个假设XEWorld 一上来就要重新审视(1) 运动学相似的本体泛化自然容易成功(2) 视觉不匹配只要给几张目标本体的静态参考图就能解决。作者的分析表明这两条都有关键局限暴露出匹配静态视觉模式与模拟动态物理运动之间的根本脱节。整篇论文的实验设计本质上就是逐条证伪这两个假设、并追问那到底什么才管用。三、核心思路用一句主线串起来把机器人本体隔离成唯一变量、用配对反事实数据 解耦四维指标 距离分析系统证明跨本体泛化卡在视觉相似而非运动学相似再用一串受控干预动作表示、静态描述、少样本微调反推出未来世界模型的设计前提。一句话先证伪运动学相似就好泛化/给图就能补外观两个假设再把真正的瓶颈定位到2D 视觉模板匹配最后给出三条可落地的设计准则。四、方法展开沿着论文原始逻辑拆解4.1 XEWorld 测试床留一本体协议与配对反事实数据XEWorld 把机器人身体设为唯一实验变量。它用 RoboTwin 模拟器重渲染五个双臂机器人支持灵活划分主用 3 训/2 留做干预研究、留一本体LOEO做距离分析。在 3 训/2 留里训练机器人是 Aloha-Agilex、Arx-X5、UR5留出对是 Franka Panda 与 Piper。这对留出是刻意挑的它们到训练舰队的运动学距离相近但视觉外观距离差异显著从而能把运动学和外观两个纠缠因素分开。两者结果分开报、绝不平均保证性能下降能被准确归因到不同视觉相似度层级。测试床核心资产是严格配对的跨本体数据给定任务与种子场景布局、物体位姿、光照、相机在五个机器人间字节级一致唯一变量是身体。这种字节对齐保证未见机器人上的任何性能下降都完全来自本体。发布覆盖 25 项操作任务 × 5 机器人相机分辨率320 × 240 320\times240320×240每任务 50 个配对训练种子 20 个不相交的留出测试种子每条 episode 存 RGB、关节动作、刚体与铰接物体位姿、接触状态、相机参数——为解耦指标提供精确 ground truth。4.2 解耦四维指标体系分开看模型在哪失败XEWorld 沿四个独立维度给预测 rollout 打分拒绝塌成单一标量视觉质量SSIM、PSNR、LPIPS 对 ground-truth 视频抓标准图像级保真度。机器人形态预测与 ground-truth 机器人掩码SAM2 分割的对称 IoU、边界F 1 F_1F1​、区域 LPIPS评模型有没有把新本体画对形状外观。机器人运动学关键点重投影精度 PCK归一化容差α 0.1 \alpha0.1α0.1、关键点像素误差、归一化 DTW把 URDF 正运动学 ground truth 与 CoTracker3 追踪的预测对比测生成的机器人是否按正确关节约束动。物体动力学物体轨迹像素误差CoTracker3 追踪对比模拟器记录的物体位姿看机器人物理交互有没有把物体动对。分开打分是为了精确定位在哪成功、在哪失败——这恰恰是后续2D 模板匹配器诊断的关键手段。4.3 本体距离把难不难拆成运动学轴与外观轴为研究什么样的留出机器人难泛化作者沿两轴量化每个机器人到训练舰队的距离。运动学距离每个机器人正运动学可达工作集采样点云间的 Chamfer 距离刻画身体移动/触达的结构差异。外观距离每个机器人标准化参考渲染的视觉特征间余弦距离刻画颜色分布与投影轮廓差异。各机器人到其余四个的距离如下表机器人角色运动学距离外观距离Aloha-Agilex训练0.1440.175Arx-X5训练0.0950.063UR5训练0.0700.058Franka留出远0.0820.107Piper留出近0.0740.052注意 Franka 与 Piper 到训练舰队的运动学距离相近0.082 vs 0.074但外观距离差很多0.107 vs 0.052——这正是解耦两因素的题眼后面的距离分析会直接检验到底哪个轴预测泛化难度。4.4 参考世界模型与干预阶梯为系统研究跨本体泛化作者需要一个显式把机器人运动与视觉外观解耦的模型。他们改造 FlowWAM一个动作条件具身世界模型并在三个训练机器人上微调设计三条输入流(1) 场景 RGB 提供环境上下文(2) 像素空间动作信号——机器人掩码光流用 RAFT 在仅机器人的正运动学渲染上算而非真实场景视频(3) 本体规格流作为视觉提示机器人图像/视频告诉模型当前本体长什么样。模型跟着光流走运动动力学、对规格流交叉注意以渲染正确的身体。这个解耦架构的妙处在于推理时可以精确控制模型收到多少目标本体的形态信息。固定光流、只改规格流的丰富度自然形成一条五级干预阶梯(0) 仅光流空规格流(1) 参考图一张正视图渲染(2) 多视角九张不同角度渲染(3) 铰接片段机器人扫遍所有关节的短视频(4) 逐帧机器人渲染目标本体用正运动学逐帧渲染对齐到目标动作。这条阶梯是后面静态描述够不够、对齐要不要实验的核心探针。五、实验与证据结果能支撑到什么程度实验分两阶段先用受控参考模型量化基线泛化差距再用动作表示、目标描述、少样本适配三种干预看能否缩小差距最后用距离分析定位难度来源、用多模型验证瓶颈普遍性。下图汇总各干预对两个留出机器人相对基线的提升如该图所示不同干预的提升差异极大——这本身就是瓶颈很窄的证据能涨点的干预像素空间动作、逐帧对齐和几乎不涨的堆静态描述泾渭分明。5.1 动作表示像素空间远胜数值关节角动作表示从根本上约束模型的跨本体能力。数值关节角虽精确但其空间映射高度本体特定——同一个角度集在不同机器人上对应完全不同的视觉位形。反之像素空间信号直接把运动锚定到图像平面。作者比四种表示数值关节角、投影射线图、逐帧机器人掩码、机器人掩码光流它们都是命令动作序列 目标 URDF 相机参数的确定性函数都不需要窥探目标 rollout差别只在保留多少几何、几何怎么编码。动作表示目标PSNR↑LPIPS↓对称 IoU↑边界 F1↑PCK↑关键点 px 误差↓轨迹 px 误差↓关节角Franka17.40.2540.5340.3060.28032.415.4关节角Piper18.60.2280.3580.2080.21939.115.4射线图Franka18.20.2210.6340.3790.45617.714.3射线图Piper21.00.1670.5300.3280.58412.510.8掩码Franka18.40.2070.8180.6360.49216.716.2掩码Piper24.50.1050.8070.7210.63312.08.2光流Franka19.20.1800.6670.4630.45621.616.1光流Piper24.20.0970.7730.6590.59312.58.7把抽象关节角换成光流Franka 上 LPIPS 降 29%、Piper 上降 57%对称 IoU 分别升 25% 和 116%——差距巨大。这指向一个深刻的表示瓶颈当前视觉骨干网络无法把抽象数值运动学解码成连贯的空间变换而像素空间动作靠与视觉输出共享几何坐标系绕过了这道翻译关连稀疏的射线图都能挽回相当一部分性能说明从纯数值转向空间接地信号是跨本体的前提。在密集空间输入内部还有个结构权衡掩码靠逐帧强制刚性边界拿到最高 IoU 与边界F 1 F_1F1​光流则因只引导运动不强制占位给生成先验更多自由度去合成自然光照纹理LPIPS 更低。这是一条核心设计取舍——硬性占位保形态边界运动场接口保整体视觉保真。如该图上半所示像素对齐的动作表示在运动中比数值关节角更忠实地留住留出机器人而数值关节常让未见机器人在物体交互时溶解或严重畸变。5.2 更丰富的机器人描述够不够几乎没用除非逐帧对齐一个常见假设是模型在新机器人上失败只是因为不知道它长啥样。作者递进地喂更丰富描述先加一张参考图再扩到九个静态视角最后给一段动态铰接片段。结果见下表条件Franka 对称 IoU↑Franka 机器人区 LPIPS↓Franka 全帧 LPIPS↓Piper 对称 IoU↑Piper 机器人区 LPIPS↓Piper 全帧 LPIPS↓仅光流0.6670.2510.1800.7730.1380.097参考图0.6670.2310.1680.7750.1280.090九视角0.6790.2300.1670.7770.1280.090铰接片段0.6710.2350.1700.7720.1300.092逐帧渲染0.8150.1260.1060.8360.0760.069收益几乎立刻饱和第一张参考图确实把机器人区 LPIPS 降了 8%Franka/7%Piper但到此为止从一张图到九个视角全帧 LPIPS 降不到 1%、形态 IoU 升不到 2%换成铰接片段甚至把这点微弱收益倒吐回去片段里未对齐的运动反而干扰生成。模型只吃到一次性的外观收益就不再进步无论再喂多少——说明瓶颈不在目标机器人视觉细节不够而在时间与空间对齐生成模型不会把静态参考图的像素映射到生成视频里一个全新的、运动中的姿态。为证明这点作者引入逐帧渲染条件——把目标本体外观在每一帧都对齐到目标动作。效果巨大相比仅光流逐帧渲染把机器人区 LPIPS 再砍 50%Franka/45%Piper形态 IoU 升 22%/8%远超九视角那点收益。结论很硬世界模型只有在外观信息逐帧、显式注册到目标帧时才能用得上它。如该图下半所示静态描述对生成输出改观有限而逐帧渲染把目标形态恢复得明显更完整——这正是对齐而非信息量决定成败的视觉证据。5.3 少样本微调补上一半、忘掉七成既然零样本用静态描述补不上那直接在少量目标 episode 上微调呢作者评估M ∈ { 1 , 2 , 3 } M\in\{1,2,3\}M∈{1,2,3}条示范/任务目标指标M 0 M0M0M 1 M1M1M 2 M2M2M 3 M3M3逐帧渲染Franka对称 IoU↑0.6790.7480.7570.7580.815Franka机器人区 LPIPS↓0.2300.1580.1420.1360.126Franka全帧 LPIPS↓0.1670.1170.1070.1020.106Piper对称 IoU↑0.7770.8150.8150.8170.836Piper机器人区 LPIPS↓0.1280.0930.0840.0800.076Piper全帧 LPIPS↓0.0900.0610.0550.0530.069微调收益来得快第一轮M 1 M1M1仅 25 条 episode就拿走绝大部分好处把 LPIPS 降 30%Franka/32%Piper加到 75 条M 3 M3M3边际递减总降幅约 40%。但只看全帧指标过于乐观M 3 M3M3时 Piper 在全帧 LPIPS 上补了 97% 的差距可单看机器人区域只补了 57%Franka 更只补 51%——说明全帧分被非机器人像素光照/背景主导网络仍画不准新本体的机械细节与纹理。更要命的是代价如该图所示模型用每任务仅 1 条示范适配 Franka 时已学 UR5 机器人的 LPIPS 暴涨 69%。这种灾难性遗忘说明少样本适配只是局部打补丁、而非根本解网络覆写了对旧机器人的内部表示去硬记新机器人的视觉模式。要部署到多本体环境得靠参数高效微调或回放机制保住旧知识。5.4 距离分析视觉距离强且稳运动学距离弱且不稳并非所有未见机器人都一样难。作者用 5 折 LOEO 评全部五个机器人对比两种距离与全帧 LPIPS 误差的相关性。如该图所示五个折上视觉外观距离与跨本体生成误差呈强相关r 0.812 r0.812r0.812且稳定性分析下无论留出哪个机器人这股正相关都成立——新本体只要长得和训练数据差很多模型就稳定地画不好。形成鲜明对比的是物理可达工作空间距离与误差只呈弱且不稳的关系r 0.549 r0.549r0.549稳定性分析跨折不通过。这一对比点穿了当前视频生成骨干的本质网络主要是 2D 视觉模板匹配器而非真正懂物理运动学的系统机械结构差很多的机器人除非同时也长得陌生否则并不更难生成。这一节是全文的诊断核心——它把2D 模板匹配器从定性吐槽升级成可量化的相关性证据。5.5 跨模型验证IRASim、Ctrl-World、EnerVerse-AC 全部退化为证明泛化失败不是参考模型个案作者在自家数据上评另外三个近期世界模型都从各自预训练 checkpoint 在测试床数据上微调。下表单元格为训练舰队 / Franka / Piper模型动作视觉 LPIPS↓形态 IoU↑运动学 PCK↑物体轨迹 px↓IRASim相对末端位姿0.225 / 0.310 / 0.2480.548 / 0.442 / 0.5050.412 / 0.320 / 0.39520.8 / 25.2 / 18.4Ctrl-World绝对末端位姿0.168 / 0.262 / 0.1850.654 / 0.528 / 0.6120.468 / 0.392 / 0.45216.5 / 18.6 / 14.8EnerVerse-AC末端位姿 射线图0.124 / 0.235 / 0.1580.712 / 0.584 / 0.6850.512 / 0.385 / 0.50814.2 / 19.8 / 12.5XEWorld 参考光流0.056 / 0.180 / 0.0970.817 / 0.667 / 0.7730.596 / 0.456 / 0.5939.9 / 16.1 / 8.7每个模型在未见 Franka、Piper 上都明显掉点。生成 Franka 时 LPIPS 相对各模型基线涨 38%–221%形态 IoU 一致掉近 20%。这种普遍退化证明跨本体视觉差距源于当前视频生成管线处理动作与结构的基本方式而非某一家模型。值得注意的是用了像素空间动作条件的模型参考模型的光流、EnerVerse-AC 的射线图在留出机器人上绝对表现强于纯数值位姿的 IRASim、Ctrl-World但基线能力更强的架构遇到新本体仍按比例退化。这一共同瓶颈说明光靠 scaling 现有 2D 生成先验不够真正跨本体模拟需要新架构把视觉外观与底层物理动力学显式解耦。5.6 更多定性证据跨 episode 的动作接口与机器人条件迁移附录提供更多 episode 的定性 rollout支撑上述发现跨 episode 成立。先看动作接口迁移的额外 episode如上两图所示像素空间动作光流/掩码在多个 episode 上都稳定保留未见机器人的结构数值关节则反复出现溶解/畸变——5.1 的定量结论在更多样本上复现。再看机器人条件描述/逐帧渲染的额外 episode如上两图所示静态描述跨多个 episode 都只带来微小改观而逐帧渲染稳定地恢复目标形态——5.2 的对齐决定成败在更多 episode 上同样成立。这些补充证据说明核心结论不是个例样本的偶然而是跨 episode 的稳定模式。5.7 设计前提未来世界模型该怎么做实验清楚表明当前动作条件世界模型对新本体缺乏稳健泛化。模型缺的不是目标机器人的静态视觉描述而是建立跨帧显式时空对应的输入——没有时间对齐的空间输入生成骨干只能凭 2D 视觉模式瞎猜物理铰接。据此论文给出三条方向把动作表示从抽象数值关节角转向像素空间表示光流/射线图天然与视觉空间对齐解决静态本体描述与动态运动间的对齐壁垒探索把几何/结构条件持续绑定到目标形态贯穿整段 rollout 的机制以及从架构上把高层视觉外观生成与底层物理动力学/运动学约束显式解耦——这是越过 2D 先验天花板的关键。六、这篇工作的边界与可复现性模拟器与本体范围五个机器人全是双臂、在 RoboTwin 模拟器上重渲染结论是模拟器语境下的真实机器人跨本体含 sim-to-real未覆盖。2D 模板匹配器的经验性该诊断基于四个架构参考模型 IRASim/Ctrl-World/EnerVerse-AC跨模型一致支撑普遍性但仍非对所有世界模型它是一个强经验归纳而非对所有架构的证明。指标对辅助模型的依赖机器人形态靠 SAM2 分割、运动学靠 CoTracker3 追踪这两个模型自身的误差会传播进指标。距离定义的操作性运动学距离用可达工作集 Chamfer、外观距离用参考渲染特征余弦都是特定操作化换用别的距离定义相关性数值可能不同。划分选择3 训/2 留是主划分LOEO 用于距离分析其他划分下的表现未充分展开。可复现性配对数据构建依赖 RoboTwin 五个 URDF超参与指标管线齐全但截至 arXiv v1作者未公开官方代码/数据/项目主页第三方从零复现需先重建配对数据门槛不低arXiv 源码包可逐图复现图表。七、如果继续研究/落地应该关注什么从架构上解耦外观与动力学论文的招牌主张——这不是加数据能解的天花板而是结构性瓶颈需要新架构。持续绑定几何条件把显式几何/结构条件贯穿整段 rollout 绑定到目标形态而非只给静态一瞥。抗遗忘的少样本适配参数高效微调或回放机制让少样本补新本体时不杀旧本体。像素空间动作作默认跨本体场景默认用光流/射线图/掩码弃用纯数值关节角。真实机器人跨本体把模拟器结论推到真实机器人验 sim-to-real 下是否仍成立。更多本体/形态扩到非双臂、移动平台、单臂看2D 模板匹配器天花板是否随形态多样性变高。八、术语与概念速查IRASim细粒度机器人操作世界模型用相对末端位姿作动作纯数值空间。Ctrl-World可控世界模型用绝对末端位姿作动作。EnerVerse-AC动作条件世界模型末端位姿 射线图作动作含像素空间成分。FlowWAM动作条件具身世界模型XEWorld 参考模型的改造基底光流作动作。RAFT光流估计网络用于在仅机器人正运动学渲染上算机器人掩码光流作动作信号。SAM2分割模型用于从预测与 ground-truth 视频抠机器人掩码算形态指标。CoTracker3长程点追踪器用于从预测视频追踪关键点/物体轨迹算运动学与物体动力学指标。RoboTwin双臂操作模拟器XEWorld 配对数据在其上重渲染构建。PCK关键点正确比例归一化容差α 0.1 \alpha0.1α0.1下报评关键点重投影精度。对称 IoUSymmetric IoU预测与 ground-truth 机器人掩码的交并比评形态是否画对。边界F 1 F_1F1​掩码边界轮廓的 F1评形态边缘精度。归一化 DTW动态时间规整的归一化版比关键点轨迹时序对齐度。工作集 Chamfer 距离两个点云来自正运动学可达工作集采样间的 Chamfer 距离作运动学距离。LOEO留一本体划分每次留一个机器人做测试、其余训练用于距离分析。干预阶梯固定光流、递进改规格流丰富度的五级条件仅光流/参考图/九视角/铰接片段/逐帧渲染。逐帧渲染per-frame render目标本体用正运动学逐帧渲染并对齐到目标动作是唯一能大幅涨点的条件。区域 LPIPS vs 全帧 LPIPS前者只在机器人区域算 LPIPS看本体细节后者整帧算含背景/光照易被非机器人像素主导而显得乐观。末端位姿EE pose机器人末端执行器位姿相对或绝对形式纯数值动作表示。灾难性遗忘少样本微调新本体时旧本体表示被覆写、性能崩塌此处 UR5 LPIPS 涨 69% 为证。九、拓展思考超出论文本身的五点2D 模板匹配器是对世界模型即学到的模拟器这一范式本身的挑战而不只是某家模型差。当长得像训练集比运动学像不像更能预测成败r 0.812 r0.812r0.812vs0.549 0.5490.549等于说当前这类模型抓住的不是物理因果而是外观统计相关性。若真如此把世界模型当离线模拟器评估策略、当 model-based RL 的环境其模拟二字名实不符——它在训练本体分布内是一台好插值器分布外却不保证物理一致。这条线值得追的不是继续 scale 视觉先验而是如何在生成管线里强制物理一致性约束否则 scaling 只会放大这层假象。一个尖锐悖论视觉生成先验越强跨本体可能越脆弱。论文评的四个模型里基线能力更强的参考模型、EnerVerse-AC在新本体上仍按比例退化甚至更善于用训练集里见过的机器人外观去硬套陌生本体。这与直觉相悖——人们原以为更强的生成模型更通用。一个可证伪的假设是2D 先验的力量恰恰来自对常见视觉模式的过拟合这本是它在分布内好看的来源却正是跨本体失效的根。若成立堆算力堆数据让世界模型更强这条路在跨本体维度上是南辕北辙需要的是结构性纠偏而非规模。像素空间动作胜过数值关节角是对端到端学一切哲学的具体反例指向结构归纳偏置的必要。光流/射线图能跨本体、纯数值不能恰恰因为前者与视觉输出共享几何坐标系、后者把运动学知识强压进一个抽象数值空间再指望网络自己解码回来——而实验证明网络解不开这道题。这暗示一个普适教训在跨域/跨实体迁移中把领域结构以与输出同构的接口喂给网络远比指望网络从扁平数值里反演出结构更可靠。端到端的尽头不是去掉一切先验而是选对那些不可由数据反推的结构性先验。两条距离轴的不对称藏着一个未被尝试的机会主动注入运动学结构。既然运动学距离相关性弱且不稳r 0.549 r0.549r0.549、视觉距离强且稳r 0.812 r0.812r0.812说明运动学信号根本没被模型用上——它被视觉外观压倒了。一个未被论文实验却自然引出的方向是把目标本体的 URDF 正运动学作为硬几何约束注入生成如可微的正运动学层、关节长度/限位作为渲染约束强行让运动学轴在场。若如此做能把运动学相关性从 0.549 拉高到与视觉轴比肩就等于把模型从只看脸逼成也看骨骼——这是对2D 模板匹配器天花板最直接的正面攻击。这篇最大的贡献可能不在结论而在评估方法论本身分布内评测验不出真假。在训练本体上评真懂物理的和背外观的表现一样好这一元洞察其价值可能超过视觉主导泛化这一具体发现——因为它给了整个世界模型社区一把标尺任何声称跨本体泛化的工作若没在严格配对的留出本体上评、没把本体隔离成唯一变量其泛化声明都不可信。XEWorld 的配对反事实设计同场景/物体/光照/相机只换身体应成为跨本体评测的事实标准。方法论的贡献往往比单项发现更长寿因为它改变了后来者如何举证。击。这篇最大的贡献可能不在结论而在评估方法论本身分布内评测验不出真假。在训练本体上评真懂物理的和背外观的表现一样好这一元洞察其价值可能超过视觉主导泛化这一具体发现——因为它给了整个世界模型社区一把标尺任何声称跨本体泛化的工作若没在严格配对的留出本体上评、没把本体隔离成唯一变量其泛化声明都不可信。XEWorld 的配对反事实设计同场景/物体/光照/相机只换身体应成为跨本体评测的事实标准。方法论的贡献往往比单项发现更长寿因为它改变了后来者如何举证。