用世界模型给VLA当教练：原力灵机发布DW0.5，把RL搬进虚拟世界
一、核心事件
本月，原力灵机（Dexmal）正式发布了旗下首款具身世界模型 DW0.5，并将其接入世界模型驱动的具身智能后训练框架 DFOL2.0。
简单来说，DW0.5 的定位是基础策略模型 DM0.5 的"后训练环境"。它像一个虚拟教练，能够预演动作的后果并提供价值反馈。这个基模支持多模态输入——任务指令、图片和视频，还可以选择特定机器人类型，基于历史动作预测后续的视频状态。
官方披露的数据显示，这一流程使后训练中真机数据需求下降 60%，整体训练成本下降 40%。
- GitHub: https://github.com/dexmal/opendw
- Hugging Face: https://huggingface.co/Dexmal/DW05-Base
二、行业痛点：具身智能为何缺少低成本反馈闭环
代码 Agent 的进步得益于天然的超闭环特性：自动执行、自动验证、自动反馈，奖励信号清晰。但具身智能（物理 AI）缺乏同等条件。
VLA（视觉 - 语言 - 动作模型）作为具身智能的主流技术路线，面临物理理解缺失、泛化能力弱、长时序与规划能力不足等瓶颈。其后训练飞轮难以跑通，原因在于：
| 数据源 | 成本/瓶颈 |
|---|---|
| 真机 Rollout | 占用机器人、场地和人工；失败直接中断任务；试错成本高 |
| 人工反馈 | 接近真实判断，但难以高频覆盖中间状态 |
| 传统仿真 | 成本低，但难以复刻接触、遮挡、反光、形变与不确定性 |
原力灵机提出的解决路径为：在真机、人工反馈与传统仿真之间，构建一个足够便宜、支持高频探索、更接近真实操作的训练环境。
具体循环逻辑：
用真实 Rollout 数据校准世界模型 → 世界模型支持低成本大规模环境与数据生产 → 新 Policy 回到真实环境验证并收集数据
三、技术方案：DW0.5 的三大专家模块
DW0.5 以 Video Expert、Action Expert、Value Expert 三大模块构成能力链路，分别负责动作后果预演与价值评估。
3.1 设计一：Action 是强先验，而非软提示
部分世界模型将动作信息作为附带条件输入，DW0.5 则将 Action 视为结构性强先验。
- 通过结构化的帧级对齐强制绑定动作与视频生成
- 在 MoT（Mixture of Tokens）注意力中，动作序列与视频序列拼接
- 使用 group-diagonal attention mask 切断视频帧与非对应动作之间的信息通路
从结构上，向左推与向右推的动作从一开始即走向完全不同的计算路径。
3.2 设计二：能模拟失败，才配称为"仿真器"
仅用成功轨迹训练的模型易形成过强的成功偏置，无法识别错误动作，更无法为强化学习提供惩罚信号。DW0.5 明确要求能够生成"做砸了"的视觉轨迹。
四类数据源：
1. 具身公开数据与自采机器人数据（含遮挡、接触、延迟等真机噪声）
2. 互联网视频数据（补充开放世界动态）
3. Egocentric 第一视角人类活动数据（迁移真实物理交互后果）
4. 真机与仿真 Rollout 数据（覆盖偏离、卡住、恢复等中间状态）
3.3 设计三：Value Expert 把未来变成可训练的反馈
Value Expert 对当前状态、候选轨迹或整段 Rollout 给出成功概率或任务价值评估，将稀疏的任务结果信号转化为可在每一步使用的中间反馈。
- Value-Order Correlation 达到 95% 以上
- 应用场景：候选动作筛选、RL 后训练 Reward 信号、部署时在线监测
DW0.5 在 VLA 的训练与部署中扮演三种角色：离线数据增强与偏好构造、RL 后训练环境、部署时规划与安全评估。
四、实测数据与基准表现
4.1 复杂任务成功率提升（SFT vs DFOL2.0）
| 任务 | 步骤 | SFT 基线成功率 | DFOL2.0 成功率 |
|---|---|---|---|
| 打气球 | 给气球打气 | 10% | 90% |
| 打气球 | 气筒插入气球 | 10% | 100% |
| 晾衣服 | 成功挂上衣架 | 50% | 100% |
| 晾衣服 | 衣架塞入衣服 | 60% | 90% |
| 叠纸盒 | 叠右侧纸盒 | 35% | 55% |
| 叠纸盒 | 叠左侧纸盒 | 35% | 50% |
4.2 基准测试（数据截至 7 月 9 日）
- EWMBench: 4.73（SOTA）
- WorldArena: 73.54（SOTA）
4.3 泛化能力表现
- 高阶指令与多步动作跟随（如 "Pick up the hammer, lift it into the air, and hold it steady"）
- 跨环境、跨任务、跨构型的多维连续泛化
- 前视、左腕、右腕等多相机流的视角强一致性
- 人类双手操作视频到机械臂操作轨迹的等效生成
五、落地路径与平台接入
5.1 闭环架构
DM0.5（基础策略模型）生成初始动作
↓
DW0.5（世界模型）在虚拟环境中预演未来，批量生成成功/失败轨迹
↓
CFG-RL（强化学习教练员）对每条轨迹打分
↓
奖励回传更新权重 → 输出更强的 DM0.5
该循环中大部分数据由 DW0.5 在线生成，减少对高成本真机的依赖。
5.2 DexDev MaaS 平台
DW0.5 已接入原力灵机推出的 DexDev MaaS（Model As a Service） 平台。对于特定具身场景中零样本泛化能力不足的模型，可通过后训练补足能力，并接回平台服务。
目前 DW0.5 已在内部跑通具身后训练闭环流程 DFOL 2.0，开始承担数据生成、价值评估和策略迭代工作。
六、关键限制与真机数据价值
原力灵机联合创始人汪天才强调：
"我觉得特别愚蠢的一件事情是在「技术路线」上给自己贴标签。这件事情是特别蠢的。应该以目标导向。你要解决什么问题，挑选对应的方法去解决它。"
同时明确指出：
"我们只是用世界模型降低成本，真机数据还是很重要的。在技术演进上，世界模型目前仍需真机校准。"
随着视觉模型能力提升，现场人员可借助 Ego 相机采集操作数据，减少对专业真机采集和复杂后训练团队的依赖，降低现场后训练门槛。
本文所有事实、数据、引语及链接均源自公开报道材料，未引入材料外信息。