一句话看懂：研究者提出 World In-Context Learning（WICL）范式并构建 RoboScript 框架：冻结的模型从单次演示出发，在仿真中排练任务，把反馈写入上下文而非网络权重。据摘要，它在 RoboTwin 2.0 全部 50 项任务上取得 83.4% 平均成功率，比最强的训练型动作策略高出 20 多个百分点。
事件核心：发生了什么
这项论文（原始来源标注发布时间为 2026-11-09，目前公开信息为摘要，全文实验尚未核验）针对机器人操作中的一对老矛盾：训练型动作策略把操作技能写进网络权重，能力被绑定在训练分布上；而上下文学习（ICL）虽然解耦，却一直追不上训练型策略，原因是一段来自其他场景的演示，不包含机器人当前所处环境的反馈。
作者提出 WICL：冻结模型先拿到演示，再在仿真环境中排练任务，把排练得到的反馈写进上下文，而不是改动权重。为此他们搭建了模块化基础设施 RoboScript，从单次演示出发，为每项任务生成一份“Task Memory”，再冻结知识并部署到新场景。部署时采用数据隔离，确保每个输入在真实机器人上都是可获得的。
摘要给出的数字是：RoboTwin 2.0 的 50 项任务、每项仅一次演示、不做梯度更新，在干净与随机化设置下平均成功率 83.4%。摘要还称该方法能跨视觉分布泛化、通过反思改进、随基础模型规模提升，并借助跨本体记忆适配迁移到真实双臂机器人。代码已开源于 GitHub（ArcheOne-AI/RoboScript）。
为什么重要
如果该方法在更广条件下成立，它改变的是一种成本结构：过去提升机器人操作能力往往意味着采集数据、训练、再训练，模型规模越大越受算力和数据约束；WICL 把“学习”挪到推理阶段的上下文中，冻结权重即可复用。摘要中“在世界闭环中，机器人可以像在权重里一样在上下文里学会操作任务”的说法，指向的是一条不依赖微调的技术路线。
对当下的大模型与具身智能生态而言，这相当于把仿真器和基础模型拼成一条流水线：仿真提供反馈，大模型提供语义理解，记忆承担任务知识。开源代码也意味着社区可以更快验证其可复现性。
对用户/开发者/创作者的影响
开发者可以关注 RoboScript 的可复现性：Task Memory 如何表示、数据隔离如何实现、跨本体适配需要多少额外数据。对机器人应用团队来说，单次演示加仿真排练若确实可用，会降低新任务上线前的数据采集门槛。创作者与企业用户则需保持克制：目前只有摘要数据，尚无第三方复现或产品化信息，暂不宜将其视为已可采购的方案。算力需求从训练转向推理，也可能改变边缘部署的成本模型。
值得关注的后续
其一，社区能否复现 83.4% 这一数字，以及“无梯度更新”是否依赖特定仿真配置。其二，真实双臂机器人上的迁移结果是否公开完整实验与失败案例。其三，这一范式若被主流机器人基础模型采纳，训练与推理的分工、开源与闭源生态会如何重新划分。
