1XWM如何把预测视频变成NEO机器人动作

1X官方World Model研究文章说明了控制NEO的两个阶段：文字条件世界模型先生成一段短期未来视频，逆动力学模型再计算这些画面之间需要的动作轨迹，最后由NEO在真实世界执行。生成的像素本身不是电机指令。

这是一套已经集成到NEO上的研究策略，但不能证明所有家务都实现了完全自主。1X明确列出了深度、几何、接触错误，以及长任务需要更快推理、闭环重规划和记忆的问题。基础概念可先看物理AI世界模型。

一条指令要经过未来画面和动作轨迹

推理开始时，系统接收NEO摄像头的起始帧和文字指令。世界模型展开期望的未来画面，逆动力学模型随后提取可供机器人执行的动作序列。

它并不是播放一段生成视频让机器人模仿。视觉变化必须被转换成符合NEO形态、关节范围和运动学的动作，这个转换层决定像素能否落到执行器上。

1X World Model技术论文说明，其骨干来自一个140亿参数的生成视频模型，先用900小时第一人称人类视频做中期训练，再用70小时机器人数据适配NEO的外观和运动。

逆动力学模型使用了400小时未过滤的机器人运动，其中包含随机活动。这些数字描述官方训练配方，不代表模型已经覆盖每一种物体、房间和接触条件。

生成画面里顺利抓住物体，实体手臂却可能抓短、抓过头或失去接触。1X也承认生成结果有时过度乐观，单目预训练会造成物体一致性、深度、几何和接触错误。

评测应同时保存预测未来、提取动作和真实相机结果。借助观察—思考—行动闭环定位故障，可以避免把所有错误都归因于世界模型。

1X报告称，骨干在多GPU上生成5秒实时视频需要11秒，逆动力学提取动作还要1秒。缓慢操作可能容忍这种节奏，快速变化的接触任务却很难等待。

公司把更快推理、记忆上下文和闭环重规划列为处理五秒以上任务的后续工作。一次成功的短视频不能被扩大成连续家务和快速恢复能力。

需要确认指令是否在失败后修改、是否并行生成多个未来、最终执行候选由人还是模型挑选。1X World Model评估文章公开了从一次到八次并行生成的研究，并说明选择可以人工或自动完成。

同时把自主执行与场景布置、复位、安全干预分开。机器人演示中的遥操作识别可以补充记录方法，但1XWM文章本身不能排除所有镜头外协助。

选定代表物体、留出的房间和指令，反复记录完成率、干预率、延迟和失败类型。生成视频质量是中间诊断指标，最终结论必须来自真实执行。

这项工作的价值在于展示了一条把网络视频和人类经验转成NEO动作的具体路线。它提供的是机制与有限的一般化证据，不是“任何家庭、任何任务都能完成”的现状证明。

复现实验还应同步保存输入画面、预测片段、最终动作、急停与人工接管时间戳。只有把预测错误、抓取失败、碰撞前停止和成功完成分别统计，才能判断改进来自世界模型、动作策略还是现场保护层。报告中还应注明推理硬件、模型版本、指令原文与每轮场景复位方式，便于他人判断结果能否复现。

不会。世界模型生成未来帧，独立训练的逆动力学模型再估计这些帧之间所需的动作轨迹。

不一定。1X报告了物体一致性、深度、几何和接触方面的错误，因此必须通过重复实机执行验证。

不能。公开的是特定任务的研究结果，延迟、长任务重规划和恢复仍被列为后续问题。

最后核查：2026年8月7日