独家｜刚刚，启元PrimeSim世界模型，登顶两大机器人权威榜单

机器之心发布 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： 严格服从策略输出的动作指令； 多相机视角之间保持几何、语义一致； 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 Open