星源智发布全球首个具身交互世界模型ω-EVA|deco|eva|交互世界模型|动作|星源智|显式|机器人|模态

2026智源大会现场，星源智用一块被随机打乱的华容道棋盘，展示了具身世界模型进入机器人行动决策的可能。

华容道看似是逻辑推理题，但对机器人而言，它更接近一次连续决策：每一步移动都会改变当前局面，也会影响后续路径是否可达。机器人需要理解的不只是“现在看到什么”，还包括“如果这样移动，接下来会发生什么？”——这正是星源智具身交互世界模型 ω-EVA 试图回答的问题。

图：星源智联合创始人、智源研究院具身交互世界模型研究中心负责人孙振国

“具身智能不仅要会看、会听、会生成动作，还需要在行动之前理解交互后果，并在真实反馈到来之前继续修正自己。”基于这一判断，星源智在本届智源大会上正式发布ω-EVA，推动世界模型从“预测世界”走向“行动反馈”。

ω-EVA：从终点反推行动，让机器人在执行前完成一次验证

ω-EVA的命名，本身也对应了这一技术逻辑。

EVA来自Envision、Verify、Act，分别对应“预演、验证、行动”。这不是一个简单的命名缩写，而是 ω-EVA 的核心控制闭环：机器人先生成候选动作，再预演这一动作可能带来的后果，随后基于后果反馈修正动作并执行。

Envision意味着，机器人在行动前并不直接执行第一版动作，而是在潜在空间中预演该动作可能造成的状态变化。

Verify是让想象后果参与动作判断：候选动作是否可能导致偏差、碰撞、失衡、遗漏，或影响后续任务流程。

Act则意味着，机器人最终执行的不是未经检查的初始动作，而是经过后果反馈修正后的动作序列。

而ω取自希腊字母Omega，代表终极与结局，并于World Model的W形成视觉孪生。它指向的是一种“以终为始”的动作生成方式：机器人不只是从当前状态直接生成动作，而是在行动前先预演动作可能导向的结果，再反过来修正当前动作。

因此，ω-EVA 想表达的并不是一个抽象的世界模型概念，而是一种更接近真实机器人控制的技术范式：从预想后果出发，反向校正当前行动。

图：ω-EVA发布会现场

从 Cardiac Copilot 到 DECO：两条研究线的交汇

ω-EVA的诞生并非一蹴而就。星源智联合创始人、智源研究院具身交互世界模型研究中心负责人孙振国在演讲中回顾，团队此前有两条重要研究线索：一条来自医疗机器人场景，一条来自双臂灵巧操作场景。

第一条线索来自心脏超声导航项目Cardiac Copilot。在这一项目中，团队发现，有经验的超声医生并不是盲目移动探头，而是会在脑中形成一种对动作后果的预期：如果探头这样移动，接下来可能看到什么切面，是否更接近目标视图，是否需要调整方向。

基于这一观察，团队设计了Cardiac Dreamer，即一个能够在隐空间中预测探头移动后心脏切面状态的模型。实验显示，这种“预演—修正”的机制能够有效降低导航误差。这一研究回答了一个关键问题：机器人系统能否在行动前，对自身动作可能带来的感知后果进行预判。

第二条线索来自双臂灵巧操作项目DECO。在该项目中，团队进一步发现，视觉、本体状态、触觉等多模态信息不应只是被简单拼接，而应以不同结构路径参与动作生成。最终，DECO通过对多模态信息的结构化组织，在双臂灵巧操作中实现了相对基线的显著提升，其中触觉模块仅使用较小参数占比，却贡献了关键性能增益。

如果说Cardiac Copilot回答的是“如何理解交互后果”，那么DECO回答的是“如何组织多模态信息参与决策”。ω-EVA正是在这两条研究线索的基础上进一步发展而来：一方面，它继承了对“动作后果预演”的关注；另一方面，它将当前状态、想象后果和动作提案组织为一个显式交互结构，使世界模型真正进入动作生成过程。

世界模型的共识：不同技术路线，正在指向同一个问题

随着具身智能从单点动作走向复杂任务执行，世界模型正在成为行业共识中的关键能力。原因在于，机器人面对的是一个连续变化的物理世界：物体会移动，接触会改变，环境状态也会因为机器人的动作而持续演化。机器人要稳定完成任务，不能只理解“现在看到什么”，还需要理解“如果这样行动，接下来会发生什么？”

围绕这一问题，当前具身世界模型主要形成了几类技术路线。

其中，第一类方向是“未来生成增强策略学习（Future Generation for policy Learning）”。这类方法通过生成未来视频或未来状态，为模型预训练、联合训练以及策略蒸馏提供额外监督信号，从而提策略的学习效率和泛化能力。Motus、DreamZero、LingBot-VA以及 Fast-WAM等工作均属于这一技术脉络。不同的是，测试时是否要建模清晰的未来，可根据实际部署的推理效率与策略成功率的要求进行权衡

第二类方向是“面向表征学习的隐空间预测（Latent Prediction for Representation）”。与显式生成未来画面不同，这类方法更多在隐空间中预测未来状态，通过学习未来embedding 来构建对环境动态更敏感、更具物理一致性的表征能力。VLA-JEPA、DINO-World、WoG、BeingH0.7等代表性工作均表明，未来预测不仅能够生成内容，更能够帮助模型形成对世界运行规律的深层理解，从而提升决策基础能力。

第三类方向则聚焦于“Rollout、Simulator 与Data Engine”。这类方法将世界模型作为数据生产和环境模拟平台，通过可控轨迹生成、大规模仿真以及数据闭环持续提升模型能力。其中，World-Env、Ctrl-World、PlayWorld等工作强调可控Rollout和模拟能力，而GigaWorld-0则进一步向数据引擎（Data Engine）演进，为具身智能提供规模化的数据供给体系。

这些探索共同推动了世界模型技术的发展，并展现出重要价值。然而，在现有研究体系中，仍存在一个尚未被充分挖掘的关键接口：世界模型与策略模型在单次决策过程中的实时交互机制。

为此，星源智团队提出了“Interactive Action Feedback（交互式动作反馈）”框架。在这一框架下，策略模型（Policy）不再只是生成最终动作，而是首先提出具体行动方案（Action Proposal）；世界模型则即时评估该方案可能带来的潜在后果（Latent Consequence），并将反馈结果返回给动作生成模块，在同一次决策循环内完成修正与优化。这一机制补上了具身世界模型走向真实控制所需要的关键接口：candidate action→imagined consequence base on action-conditioned world model→corrected action。通过这种闭环交互，世界模型从传统意义上的训练辅助工具，进一步演进为实时参与决策过程的“思考伙伴”，使机器人能够在行动之前预见后果、调整策略，从而实现更高质量、更可靠的决策能力。

ω-EVA：让策略与自己的想象后果交互

ω-EVA的完整名称是Envision, Verify, and Act with Latent Interactive World Models。它提出的是一种 latent interactive world modeling范式：策略不再直接从当前观察映射到最终动作，而是在执行前先提出动作、想象后果，再根据后果修正动作。

这一范式可以概括为三个步骤：Proposal→Latent Consequence→Refinement，对应到机器人行为中，就是：动作提议→后果预演→动作修正。

首先，机器人基于当前视觉观察与语言指令生成一个初始action proposal。这个proposal并不是最终动作，而是一个需要被验证的候选动作片段。随后，action-conditioned latent world model会以该proposal为条件，在潜在特征空间中预测它可能诱导出的未来视觉状态。这里的“未来”并不是被解码成完整视频，而是以 latent consequence的形式参与后续动作决策。最后，imagined-interaction action refiner会联合当前状态、想象未来与原始proposal，对候选动作进行重写，输出 refined action chunk。

这一设计改变了世界模型在具身策略中的角色。它不再只是一个被动预测器，也不是一个独立于策略之外的模拟器，而是在action generation内部成为active feedback module。换句话说，ω-EVA让世界模型不只是回答“未来会怎样”，而是进一步回答：

如果执行这个动作，未来会怎样？如果后果不理想，动作应该如何被改写？

这正是ω-EVA与一般潜空间世界模型的关键差异。潜空间预测解决的是“未来如何被表征”；ω-EVA进一步解决的是“未来如何反过来修正当前动作”。

三阶段闭环：让世界模型从“预测未来”进入“修正动作”

ω-EVA并不是在既有策略后面简单增加一个预测模块，而是通过三阶段训练，将潜在世界模型、动作生成器和后果反馈机制逐步耦合起来。

ω-EVA 总体架构图

第一阶段是Action-conditioned Latent World Model。模型给定当前视觉特征和动作片段，预测对应未来视觉特征，并同时学习一个dynamics-aware current representation。由于模型必须预测“在某个动作条件下，场景将如何变化”，它被迫关注与动力学相关的视觉结构，例如末端执行器、被操作物体、接触区域、空间关系和任务相关区域。

这一阶段的核心并不是复原像素，而是学习action-conditioned latent dynamics。模型一方面预测未来特征，另一方面形成对当前状态中“哪些部分与未来变化有关”的表示。

第二阶段是World-aware Action Generator。在第一阶段形成的dynamics-aware表征之上，系统训练一个语言条件化的flow policy，用于生成初始action proposal。与普通视觉语言动作策略不同，这一 proposal已经建立在世界模型塑造出的当前状态表征之上，因此动作生成并不是完全脱离动力学结构的直接映射。

但到这里为止，世界模型仍主要以表征和训练信号的形式影响动作生成。真正构成ω-EVA差异的，是第三阶段。

第三阶段是Imagined-interaction Action Refiner。系统冻结前两阶段的世界模型和proposal policy，将policy 自己生成的proposal重新送回世界模型，得到由这一具体proposal诱导出的latent consequence。随后，refiner同时接收当前状态、想象未来和原始 proposal，通过三分支交互推理，直接输出refined action chunk。

ω-EVA 模型结构细节图

这个refiner并不预测一个显式verification score，也不是简单预测residual offset。它做的是更直接的事情：基于想象后果，重写完整动作片段。

因此，Stage 3的意义不在于“再加一个head”，而在于第一次真正闭合了proposal–imagination–refinement 的局部交互回路。世界模型也由此从“学习更好的表示”，变成“与具体动作候选交互，并帮助修正动作”。

Envision–Verify–Act：一次控制决策内完成后果推理

在推理阶段，ω-EVA执行的是一个完整的Envision–Verify–Act回路。

首先，系统接收当前视觉观察和语言指令，生成初始动作proposal。随后，冻结的潜在世界模型以这个 proposal为条件，预测其latent consequence。最后，refiner将当前状态、想象后果与proposal联合起来，输出最终动作片段。

这一过程的关键在于：ω-EVA并不需要真实future observation，也不需要将latent future解码为未来视频；它的consequence reasoning始终停留在紧凑的特征空间中完成。

这使ω-EVA同时具备两个特征：一方面，它在推理时保留了显式的后果推理；另一方面，它避免了像素级视频生成或多轮rollout planning带来的高成本，使这一交互回路有可能进入端侧控制。

因此，ω-EVA中的Verify并不是传统意义上的外部打分或奖励评估，而是一种consequence-aware refinement。系统不是在执行后判断动作是否正确，而是在执行前让候选动作接受一次由世界模型提供的后果反馈。

从这个意义上说，ω-EVA的核心判断是：未来不是生成给人看的，而是反馈给动作生成过程的。

可反馈、可重写、可部署：面向真实机器人的世界模型

对于真实机器人系统而言，世界模型的工程价值并不只取决于它是否能够学习物理规律，还取决于这些规律能否在控制链路中被使用。

ω-EVA的第一点价值是可反馈。

许多世界模型能够形成对未来状态的隐式预测，但如果预测结果没有进入动作生成过程，那么未来信息仍然停留在模型内部。ω-EVA将proposal-conditioned latent consequence显式暴露给refiner，使世界模型成为一次控制决策中的反馈来源。

第二点价值是可重写。

机器人动作不是文本token，可以随时撤回重写；动作一旦执行，就会改变真实世界。因此，仅仅生成一个看似合理的action chunk并不充分。ω-EVA的refiner不只是评估 proposal，而是直接产生新的 action chunk，使后果推理落实到动作改写上。

第三点价值是可部署。

由于后果推理始终在latent feature space中完成，ω-EVA 避免了推理阶段的完整未来视频生成，也不依赖额外的像素级模拟器或多轮规划搜索。这使得世界模型不只是离线训练工具，而更接近端侧实时控制中的内部反馈模块。

也正因为如此，ω-EVA的先进性并不体现在“预测更多未来”，而体现在“让未来信息以更低成本、更短链路、更明确接口参与当前动作生成”。

实验验证：闭环机制，而非单一模块，带来稳定增益

在实验部分，ω-EVA 在 LIBERO、LIBERO-PLUS 和 RoboTwin 2.0 三类仿真基准上进行了验证，这些任务覆盖单臂操作、双臂协同、长时序复杂的操作任务，以及视觉、语言和环境等不同条件的扰动测试。ω-EVA 在没有任何预训练数据的情况下仅依赖task-specific data training，就在三个benchmark达到或超过现有SOTA的水平。在libero和libero plus上，ω-EVA分别取得了98.6%和83.4%的平均成功率。在robotwin上，经过refiner修正后将stage2的成功率从88.9%提升到了90.3%，并且值得注意的是ω-EVA的残数量仅为1.2B。

这些结果的意义，不在于单纯展示一个更高的绝对分数，而在于证明完整交互管线相较于同一 proposal policy 具有稳定增益。换句话说，Stage 3 的价值来自 proposal-conditioned imagined consequence，而不是简单增加模型规模。

更重要的是消融实验。实验中分别移除了 imagined future 和 action proposal 两个分支。结果显示，去掉 imagined future 后，模型表现下降；去掉 action proposal 后，下降更加明显。前者说明，单纯依赖当前状态和proposal的通用 refiner 并不能解释Stage 3的提升；后者说明，即使保留想象未来，如果refiner不知道“是哪一个动作导致了这个后果”，也无法完成有效修正。

这说明ω-EVA的关键并不是“有一个未来预测模块”，而是当前状态、候选动作和想象后果之间的三方交互。imagined future提供评估反馈，proposal提供修正锚点，current state提供真实上下文。三者缺一，完整的行动反馈闭环就无法成立。

此外，ω-EVA 的结果是在约 1.2B 参数规模、没有额外 robot-data pretraining 的条件下取得的。这一点也构成了其方法论价值：它并非主要依赖更大规模的预训练策略，而是通过更有效的交互结构，实现compact and competitive的性能、规模与数据权衡。

表征分析与消融：为什么不是“多加一个模块”

除了成功率提升，ω-EVA 还通过表征分析与消融实验进一步说明：Stage 3的增益并非来自简单增加参数，而是来自结构化的交互闭环。

在当前表征分析中，经过Stage 1未来预测训练后，模型的空间激活更多集中到末端执行器、操作物体以及二者之间的邻近区域。这说明future-prediction objective并不是抽象地预测未来，而是在反向塑造当前状态表征，使其更关注对动作后果有意义的动力学区域。

与此同时，团队也验证了current representation的action-invariant特性。固定同一张当前图像，分别输入专家动作、dummy 动作、随机动作和 batch-shuffled 动作，得到的 current representation 数值完全一致。这说明current branch 并没有“偷看”训练动作标签；动作信息并未泄露到当前状态表征中，未来后果仍然由 action-conditioned future branch 来承担。

在 latent future fidelity 分析中，团队使用同一 diagnostic decoder 将预测 latent 可视化。结果显示，Stage 3 refined action 对应的未来结构，相比 Stage 2 proposal 更接近真实未来。这说明动作被修正后，其诱导出的未来状态在结构上更接近目标结果。

这些分析共同指向同一个结论：ω-EVA 的提升不是来自简单堆叠模块，而是来自一个明确的结构性机制——当前状态、想象后果和原始提案之间的联合交互。

世界模型的下一场竞争，是行动决策闭环

具身智能正在从“能不能动”走向“能否稳定完成任务”。与之对应，世界模型的价值也在发生转移。

在第一阶段，世界模型帮助 AI 建立对物理世界变化的理解。

在下一阶段，世界模型需要进入行动决策，使机器人能够在动作发生之前，与自己的候选动作后果交互，并据此做出修正。

如果说过去的世界模型更多回答“世界会如何变化”，那么 ω-EVA 试图回答的是一个更接近机器人本体的问题：

我的动作会如何改变世界？

以及更进一步：在行动之前，我该如何修正这个动作？