世界模型迎来「真考场」：WorldArena 2.0 Challenge正式启动|worldarena|机器人|模态|视觉|触觉|轨迹

WorldArena 1.0 的核心意义，在于将世界模型评测从 “好不好看” 推进到“是否真的有用”。它不再只关注视频观感，而是把物理一致性、可控性、3D 准确性和具身任务功能性纳入统一评测框架，使许多看似流畅的生成结果第一次在机器人具身任务中接受检验。

然而，WorldArena 1.0 的评测仍主要集中在离线视频生成和仿真任务中。面对真实机器人执行、在线强化学习闭环、视觉 - 触觉等多模态感知，以及真实部署中的噪声、延迟和误差累积，仍缺少一个系统性的评测框架。

为进一步回答这些问题，WorldArena 团队正式发布 2.0 版本，并同步启动 IROS 2026 WorldArena 2.0 Challenge。WorldArena 2.0 设置了视频质量评测、在线 RL 环境、真实机器人 WAM 任务三大赛道，旨在检验世界模型能否从可靠预测走向闭环学习，并进一步支撑真实平台上的任务规划与动作执行。赛事依托 IROS 2026 Workshop on Physical World Models for Scaling Embodied AI 举办，组织团队汇聚了清华大学、卡内基梅隆大学、斯坦福大学、普林斯顿大学、香港大学、新加坡国立大学、中国科学院自动化研究所等机构。

图 1 WorldArena 2.0 Challenge 比赛概览

图 2 WorldArena 2.0 沿模态、功能与平台三条轴线扩展具身世界模型评测。

一、从 1.0 到 2.0：把世界模型评测推向闭环交互和真机环境

WorldArena 1.0 重新定义了问题：世界模型不应只在 “视频像不像” 上被打分，还要看生成结果是否符合物理约束，是否能服务数据合成、策略评估和动作规划。它把世界模型从展示性视觉生成拉回到具身任务里，但其在离线和仿真条件下回答这些问题；如果模型遇到分布外场景会不会崩？能不能成为策略反复交互的训练环境？仿真里成立的能力，到了真实机器人上还站不站得住？这些问题，正是 2.0 持续往前推进的动机。

WorldArena 2.0 的升级由此展开：模态上，从纯视觉走向视觉 - 触觉建模；功能上，从离线任务评测走向闭环在线强化学习环境；平台上，从仿真器走向真实机器人平台。IROS 这次挑战赛把这些能力拆成三个赛道，让不同方向的团队都能直接参与、持续提交、公开比较。

三个赛道不是简单并列的排行榜，而是一条逐步加压的能力路线：Track 1 看视觉和物理预测是否稳，Track 2 看模型能否支撑策略在线闭环学习，Track 3 则把 WAM 放到真实机器人平台上，检验任务规划与动作执行是否真正可用。
WorldArena 2.0 Challenge 要看的不是单个漂亮结果，而是世界模型能否从预测未来，走向交互学习，再应用于真实任务场景。
因此，这次比赛不再把 “会生成视频” 当作终点，而是把它放进更长的链路中：预测要能被交互使用，交互要能服务策略学习，最终还要经得起真机任务检验。

二、三大赛道：从可靠预测，到闭环学习，再到真实执行

Track 1｜Video Quality Evaluation on OOD Tasks｜复杂任务视频质量评测

任务更难、时序更长、场景和物体更陌生时，世界模型还能不能生成可信、可控、符合物理规律的未来？

Track 1 保留 1.0 对视频质量和物理一致性的关注，但不再停留在原有难度上。2.0 加入了更复杂的任务、更长的预测链路，以及新的分布外（OOD）场景和物体，重点考察模型是否具备可迁移的具身理解，而不是只复现训练集中的演示。

这条赛道不是比谁的视频更 “漂亮” 或者更能通过训练来拟合、建模世界，要考察的是模型在更难、更陌生的场景里，能不能维持视觉、几何和物理的一致性，因此真正考验模型是否真正理解物理规律场景和操作细节并能泛化、迁移。

图 3 Track 1 从视觉、运动、内容、物理、可控性和 3D 准确性等维度评价生成结果。

Track 2｜World Model as Online RL Environment｜世界模型作为在线强化学习环境

世界模型能不能从 “生成一段未来”，变成策略可以反复交互和优化的训练环境？

在 Track 2 中，世界模型不再只是接收条件并生成一段视频，而是被放进在线强化学习闭环：接收策略动作，预测下一步观测，提供与奖励相关的反馈，并支持策略反复 rollout 与迭代优化。

这比静态视频评测更苛刻。一次预测误差会改变下一步动作，动作又会进入下一轮预测，最终形成闭环里的误差累积。视频里偶尔一帧不够好，观感上可能还能接受；但训练环境里的动态关系一旦不稳，策略就可能在 “错误世界” 里越学越偏。

WorldArena 2.0 的已有实验给出了一个明确趋势：部分世界模型已经能让策略相较基础 SFT 获得提升，说明它们开始具备 “虚拟训练场” 的雏形；但与真实仿真器相比，差距仍然存在。Track 2 要推动的，正是从 “能提供一点学习信号”，走向 “能稳定支撑策略优化”。

图 4 Track 2 将世界模型接入在线 RL 闭环，并以最终策略表现检验模型环境的真实效用。

Track 3｜WAM on Real-World Robotic Platforms｜真机平台上的 WAM 任务能力

到了真实任务场景，WAM 能不能在多本体、多模态和分布式评测条件下完成任务级规划与动作执行？

Track 3 是 2.0 相比 1.0 最直接的推进：评测进入真机系统，重点考察 WAM 的任务规划与动作执行能力。它看的是模型能否根据观测、任务提示和动作历史给出下一步有效行动；当真实执行出现偏差时，能否继续调整策略，而不是沿着错误轨迹继续走下去。

Track 3 的重点：多本体、多模态与分布式真实评测

Track 3 将围绕多个真实机器人本体展开评测，覆盖主流机械臂配置（如 AgileX、Franka 等），以检验 WAM 跨硬件平台的泛化能力。赛道同时关注接触丰富任务中的真实操控表现、跨模态感知能力，以及面向部署的效率与接口兼容性。

Track 3 同时设置 vision-only 与 tactile-vision 两种条件。Vision-only WAM 对应更基础也更通用的设定：系统只能依靠视觉信息完成规划和执行；tactile-vision WAM 则允许系统额外使用触觉观测，用来处理接触、滑移、压力变化和材料交互等更复杂的操作信息。

触觉不是准入门槛，也不是单独的重建指标。它更像一个可选的能力增益项：如果参赛方法能把触觉真正用于动作规划和纠错，并在接触密集任务中取得更好结果，这部分优势应当体现在真实任务表现中。换句话说，比赛不只问模型能不能 “看见” 接触，更关心它能不能 “利用” 接触。

图 5 Track 3 评测真实世界 WAM 任务规划与动作执行，覆盖 vision-only 与 tactile-vision 两类设置。

已有结果给出的提醒：触觉有用，但不能替代闭环能力

WorldArena 2.0 在UniVTAC 仿真器上设置了 Insert HDMI 和 Lift Bottle 两类接触密集任务，同时比较触觉预测质量和最终任务成功率。结果显示，Wan2.2 的触觉预测达到 21.26 PSNR 和 0.746 SSIM，并在 Insert HDMI 上取得 100% 成功率；但到了需要持续力控的 Lift Bottle，所有受测世界模型成功率都是 0，而 ACT baseline 达到 80%。

这组结果说明，触觉确实能帮上忙，但它发挥作用的方式并不简单。插入 HDMI 时，触觉有助于判断接口是否对齐、接触是否发生，从而把细粒度感知转化为动作成功；但抓稳并抬起瓶子需要系统在更长时间里持续估计受力、滑移和姿态。单次触觉预测准确，并不等于长时序操作一定成功。

图 6 UniVTAC 视觉 - 触觉任务结果：预测指标领先并不必然带来长时序操作成功。

放到 Track 3 中，这个结论很直接：真正有竞争力的方案，不能只把触觉重建分数做高。参赛系统还需要证明，触觉信息确实进入了动作规划和执行闭环，能在真实执行中帮助机器人判断接触状态、修正动作，并在误差累积后重新回到正确轨迹，因而其特别强调以下能力：

多模态对齐：视觉、触觉、机器人状态与动作必须在时间和空间上对得起来。
持续执行：模型要处理滑移、摩擦和接触力随动作变化的长时序动态，而不是只识别接触瞬间。
闭环纠错：预测、执行或观测一旦偏了，策略需要利用新的视觉 / 触觉反馈及时修正，而不是沿错误轨迹继续执行。
真实部署鲁棒性：系统还要面对传感噪声、延迟、设备差异和物体属性变化，并保持接口兼容、运行稳定和部署效率。

真实机器人是世界模型绕不开的考场。仿真中的非零成功率，并不自动等于真机可用。传感噪声、控制延迟、材料摩擦、接触反馈、分布偏移，以及不同机械臂之间的差异，都会重新排序模型能力。触觉可能帮助系统判断 “是否接触”“是否滑移”，但前提是模型能把视觉、触觉、动作和状态变化放进同一个执行闭环里。

需要说明的是，Track 3 将采用多机构、多地点协作的分布式评测方式，以提高评测公平性、稳定性与可复现性。最终任务列表、硬件接入方式、远程评测流程与计分细节，仍以比赛官网后续公布为准。

图 7 Track 3 面向多个真实机器人本体与多机构分布式评测，检验 WAM 的真实部署能力。

三、为什么值得参加？

第一，这不是一场只看 “视频好不好看” 的比赛。三个 Track 分别检验视觉预测、交互式学习环境和真实 WAM 任务能力；参赛者既可以单独参与某一赛道，也可以让同一模型路线在不同能力层级上接受压力测试。

第二，WorldArena 2.0 已开放论文、代码、数据与评测框架。参赛者不必从零搭建基础设施，可以直接基于公开仓库中的视频质量评测、RL 环境评测、真机视觉和视觉 - 触觉联合流水线开发。

第三，榜单的价值不只在排名。WorldArena 2.0 已经揭示：视觉指标高不等于任务成功率高，世界模型能帮助策略学习不等于已经可以替代仿真器，仿真中有效也不等于真机可靠。到了真实应用场景，多机器人本体、视觉 - 触觉和分布式真实评测还会进一步放大这些差距。比赛会把这些问题放到统一协议下，让真正有效的改进被看见。

对研究者而言，这是一次把论文方法放进公开压力测试的机会；对工程团队而言，这是一次检验模型能否进入机器人训练、规划与部署链路的机会。方法是否真的稳，最终要在这些连续环节里见分晓。

四、赛程与提交规则