WorldBridge论文：仅加视频无动作标签，RoboTwin 2.0新任务成功率提到55.9%

事件核心：发生了什么

论文研究的是World Action Models，即同时建模视觉演化和可执行动作的具身模型。作者在RoboTwin 2.0上做了监督数据消融：只用初始训练集内的视频和动作监督，分布外任务成功率25.07%；为每个新任务补上550条无动作标签的视频后升到55.90%；再加每个任务一条带动作标签的示教，达到70.70%。对应条件下，分布内表现基本稳定在91.85%—91.96%。基于这一观察，作者提出WorldBridge，用独立的视频专家和动作专家，通过结构化注意力和联合flow matching衔接，并加入双时间尺度的视觉记忆与action forcing。

为什么重要

机器人数据长期受困于高质量动作示教稀缺，而互联网视频和人类第一视角视频相对丰富。论文的消融说明，视频覆盖能借助模型已有的逆动力学能力迁移任务，少量动作标签则进一步强化落地。这为具身智能提供了一条“视频先行、动作补少量”的数据路线，也解释了为何不少团队开始重视人视频等异构数据。论文摘要还报告RoboTwin 2.0全数据96.23%、clean to random 80.9%、RoboCasa GR1 TableTop 82.8%、DOMINO Level-1 57.6%，但这些数字需按摘要所述任务和设定理解，不代表通用能力排名。

对用户/开发者/创作者的影响

对具身智能开发者而言，这套思路意味着可以先用现有视频数据扩展任务覆盖，再用少量标注示教校准动作输出，降低新任务的数据采集成本。不过论文仍是研究成果，不是已上线产品；摘要并未给出硬件部署细节、推理时延和跨本体迁移证据，实际工程化仍需验证。对内容创作者和机器人视频数据提供方，人类第一视角视频的监督价值可能被进一步挖掘。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

一是WorldBridge是否开源模型或数据处理管线；二是在真实机器人上的跨本体迁移与推理成本能否维持同等收益；三是视频与动作的配比是否存在更优区间，以及“一条示教”的结论在不同任务分布下是否稳定。

来源：alphaXiv