独家｜刚刚，启元PrimeSim世界模型，登顶两大机器人权威榜单

训练机器人控制策略高度依赖仿真环境，但传统手工搭建的仿真器规模化落地门槛极高。

今日，启元具身研究中心正式发布 PrimeSim，一款面向机器人操纵任务的世界模型仿真器。它基于预训练视频生成模型，经由中训练、后训练两阶段改造，具备替代传统仿真器的交互推演能力。

在 EWMBench 基准上，PrimeSim 拿下 6.09 的综合得分，位列榜首；在 WorldSimProbe 的五项评测维度中，斩获三项第一。

PrimeSim generated demos

为什么机器人需要「从数据中学出来的仿真器」

理想的机器人仿真器，应当满足几个核心特质：能够并行调度上万条轨迹 rollout、支持场景精确重置且无硬件损耗、无需针对不同场景大量工程定制，同时尽可能缩小现实鸿沟（sim-to-real gap）。

但只用视频生成模型做这件事，「视觉逼真」远远不够。作为仿真底座，它必须同时守住三重约束：

1. 严格服从策略输出的动作指令；
2. 多相机视角之间保持几何、语义一致；
3. 在远长于训练上下文窗口的长时间推演中维持状态连贯。

在团队看来，现有的通用世界模型大多只能满足其中一到两项，很难同时兼顾三者。

技术路径：先中训练，再后训练

PrimeSim 采用两阶段改造范式，将原生双向视频生成模型逐步转化为可交互、可自回归滚动的世界模型仿真器。

第一阶段：中训练｜从视频生成模型到机器人世界模型

模型训练基于 30110 小时精选机器人演示数据，覆盖人形、双臂、单臂、手持 UMI 设备等 22 种异构机器人平台，混合真实采集数据与传统仿真数据；其中人形机器人样本占比 54.8%，真实世界数据占比 84%。核心设计包含三点：

• 统一动作表征：将头部、躯干、腰部、末端执行器、夹爪、底盘的控制信号编码至同一动作向量，实现跨本体兼容；
• 帧对齐双路径条件注入：结合时序对齐注意力机制与直接动作注入，强绑定控制指令与生成运动；
• 视角感知交错注意力：引入显式相机标识完成跨视角信息交互，保证多视图一致性，避免不同视角画面互相坍缩。

第二阶段：后训练｜高速生成 + 长时序记忆

自回归仿真的难点在于，模型需要基于自身上一步不完全精确的预测继续推演，而原生视频生成模型仅在固定长度真值上下文上训练。团队针对性设计三项机制：

• 高速生成链路：分块因果适配 + 四步一致性蒸馏，支撑长序列连续仿真；
• 自条件稳定性：以冻结双向教师模型作为参照，开展 Self-Rollout 的世界模型仿真器训练与非对称分布匹配，缓解误差累积；
• 分层时序记忆：在有界 KV Cache 内分层存储初始场景、稀疏长程历史、稠密近期运动，支撑超长推演。

这套方案最终把双向生成模型改造为因果、Self-Rollout 的世界模型仿真器：超过固定的训练上下文窗口后依旧可以稳定推演，最长支持两分钟以上连续 rollout。

在 RoboTwin 2.0 留出集、单张 A100 环境下，50 步去噪的因果自回归扩散基线速度仅 1.12 FPS，PSNR 26.15；CD 将去噪步数压缩至 4 步，速度提升至 10.04 FPS，PSNR 回落至 24.40；叠加 DMD 后，保持 4 步去噪，PSNR 回升至 24.87，LPIPS 由 0.193 优化至 0.176，相较 50 步教师模型整体提速约 9 倍。

实验结果

EWMBench：综合得分第一

PrimeSim 在 EWMBench 拿到 6.09 综合分，高于 GE-Sim（LTX，5.82）、GE-Sim（COSMOS2，5.79），同时领先 Thinker-WM、EnerVerse-FT、Qwen-RobotWorld、Sora2。分项上，HSD（1.000）、nDTW（1.000）、BLEU（0.570）、CLIP（0.954）、Logics（1.000）均取得第一名。

WorldSimProbe：五项指标三冠

WorldSimProbe 基于 LIBERO 设计五套评测套件，刻意剥离视觉观感、任务成功率的干扰，聚焦仿真器本身的动态保真度。PrimeSim 在全局轨迹覆盖（T2，67.9）、动作来源行为保持（T3，72.3）、交互动态（T5，37.1）三项登顶。

作为策略仿真底座：和传统仿真器高度对齐

实验选取 8 个 OpenVLA-OFT 策略，基线仿真器成功率区间 29.3%–85.0%，在 300 个共享初始状态的设定下，PrimeSim 与 LIBERO 原生仿真器的策略成功率相关系数 r = 0.99，MMRV = 0.000，平均绝对误差 |Δ| = 2.8。作为对照，Wan2.2-FT 对应指标为 r = 0.91、MMRV = 0.041、|Δ| = 8.3。

团队更进一步，直接在 PrimeSim 内部对 OpenVLA-OFT 做 GRPO 强化学习，每轮采样 512 条 episode，共计 200 轮更新。策略在原生仿真器上的成功率提升了 11.5%，在 PrimeSim 内的评估指标上涨了 11.8%。这证明：在该神经仿真器中得到的策略增益，可以有效迁移到传统物理仿真环境。

counterfactual action following demos

少样本本体迁移：新本体仅需 100–200 步微调

中训练赋予模型很强的跨本体迁移能力。适配 xArm 7、ViperX 300、UMI 夹爪分别只需要 200、100、200 步梯度更新；而仅经过通用预训练的模型，在 2000 步更新后仍无法产出可用效果。在 AgileX Piper 的 XVLA 场景中，布料、相机位姿、场景均未出现在训练集内：零样本推演时密集接触的布料形变会快速漂移；在单卡 A100，仅需不到 3 分钟，200 步微调后，布料形变跟随动作指令，多视角状态保持一致。

PrimeSim unseen embodiment few-shot demos. Left side is PrimeSim, right side is Wan2.2 5B

unseen camera and environment zero-shot demos

推理性能：单卡 A100 可达 10.12 FPS

单张 A100-80GB，三视角、单图分辨率 288×384、一次预测 32 帧未来画面、4 步去噪配置下，PrimeSim 实现 10.12 TempFPS、30.35 ViewFPS；吞吐能力约为 GE-Sim 2.0 的 4.5 倍、Ctrl-World 的 11.6 倍。

消融实验：各模块设计均带来明确收益

多视角机制消融显示：仅做帧拼接时 PSNR 仅 16.30；加入视角 token 条件后提升至 23.78；叠加视角内交错注意力后达到 24.56，LPIPS 由 0.58 降至 0.15。

工作小结

团队基于实验得出四点核心结论：

1. 这是一套可复现的工程配方，而非单点模型：「中训练 + 后训练」渐进式流水线，能够把通用视频生成模型改造为可交互机器人世界模型仿真器；
2. 动作保真度可以通过数据规模习得：统一动作表征搭配双路径条件注入，在 22 种异构本体上实现控制信号与运动生成的强绑定；
3. 世界模型具备替代传统仿真器的潜力：和原生仿真策略成功率相关性高达 0.99，在模型内部做强化学习的收益可迁移；
4. 兼顾精度与工程实用性：10.1 FPS 推理速度、超两分钟长时序推演、新本体仅需百级步数微调。

据机器之心了解，PrimeSim 的权重、推理代码、训练代码即将开源。

文章来自于微信公众号 “机器之心”，作者 “机器之心”