世界模型迎來「真考場」：WorldArena 2.0 Challenge正式啟動

WorldArena 1.0 的核心意義，在于將世界模型評測從 “好不好看” 推進到“是否真的有用”。它不再只關注視頻觀感，而是把物理一致性、可控性、3D 準確性和具身任務功能性納入統一評測框架，使許多看似流暢的生成結果第一次在機器人具身任務中接受檢驗。

然而，WorldArena 1.0 的評測仍主要集中在離線視頻生成和仿真任務中。面對真實機器人執行、在線強化學習閉環、視覺 - 觸覺等多模態感知，以及真實部署中的噪聲、延遲和誤差累積，仍缺少一個系統性的評測框架。

為進一步回答這些問題，WorldArena 團隊正式發布 2.0 版本，并同步啟動 IROS 2026 WorldArena 2.0 Challenge。WorldArena 2.0 設置了視頻質量評測、在線 RL 環境、真實機器人 WAM 任務三大賽道，旨在檢驗世界模型能否從可靠預測走向閉環學習，并進一步支撐真實平臺上的任務規劃與動作執行。賽事依托 IROS 2026 Workshop on Physical World Models for Scaling Embodied AI 舉辦，組織團隊匯聚了清華大學、卡內基梅隆大學、斯坦福大學、普林斯頓大學、香港大學、新加坡國立大學、中國科學院自動化研究所等機構。

圖 1 WorldArena 2.0 Challenge 比賽概覽

圖 2 WorldArena 2.0 沿模態、功能與平臺三條軸線擴展具身世界模型評測。

一、從 1.0 到 2.0：把世界模型評測推向閉環交互和真機環境

WorldArena 1.0 重新定義了問題：世界模型不應只在 “視頻像不像” 上被打分，還要看生成結果是否符合物理約束，是否能服務數據合成、策略評估和動作規劃。它把世界模型從展示性視覺生成拉回到具身任務里，但其在離線和仿真條件下回答這些問題；如果模型遇到分布外場景會不會崩？能不能成為策略反復交互的訓練環境？仿真里成立的能力，到了真實機器人上還站不站得住？這些問題，正是 2.0 持續往前推進的動機。

WorldArena 2.0 的升級由此展開：模態上，從純視覺走向視覺 - 觸覺建模；功能上，從離線任務評測走向閉環在線強化學習環境；平臺上，從仿真器走向真實機器人平臺。IROS 這次挑戰賽把這些能力拆成三個賽道，讓不同方向的團隊都能直接參與、持續提交、公開比較。

• 三個賽道不是簡單并列的排行榜，而是一條逐步加壓的能力路線：Track 1 看視覺和物理預測是否穩，Track 2 看模型能否支撐策略在線閉環學習，Track 3 則把 WAM 放到真實機器人平臺上，檢驗任務規劃與動作執行是否真正可用。
• WorldArena 2.0 Challenge 要看的不是單個漂亮結果，而是世界模型能否從預測未來，走向交互學習，再應用于真實任務場景。
• 因此，這次比賽不再把 “會生成視頻” 當作終點，而是把它放進更長的鏈路中：預測要能被交互使用，交互要能服務策略學習，最終還要經得起真機任務檢驗。

二、三大賽道：從可靠預測，到閉環學習，再到真實執行

Track 1｜Video Quality Evaluation on OOD Tasks｜復雜任務視頻質量評測

任務更難、時序更長、場景和物體更陌生時，世界模型還能不能生成可信、可控、符合物理規律的未來？

Track 1 保留 1.0 對視頻質量和物理一致性的關注，但不再停留在原有難度上。2.0 加入了更復雜的任務、更長的預測鏈路，以及新的 分布外（OOD） 場景和物體，重點考察模型是否具備可遷移的具身理解，而不是只復現訓練集中的演示。

這條賽道不是比誰的視頻更 “漂亮” 或者更能通過訓練來擬合、建模世界，要考察的是模型在更難、更陌生的場景里，能不能維持視覺、幾何和物理的一致性，因此真正考驗模型是否真正理解物理規律場景和操作細節并能泛化、遷移。

圖 3 Track 1 從視覺、運動、內容、物理、可控性和 3D 準確性等維度評價生成結果。

Track 2｜World Model as Online RL Environment｜世界模型作為在線強化學習環境

世界模型能不能從 “生成一段未來”，變成策略可以反復交互和優化的訓練環境？

在 Track 2 中，世界模型不再只是接收條件并生成一段視頻，而是被放進在線強化學習閉環：接收策略動作，預測下一步觀測，提供與獎勵相關的反饋，并支持策略反復 rollout 與迭代優化。

這比靜態視頻評測更苛刻。一次預測誤差會改變下一步動作，動作又會進入下一輪預測，最終形成閉環里的誤差累積。視頻里偶爾一幀不夠好，觀感上可能還能接受；但訓練環境里的動態關系一旦不穩，策略就可能在 “錯誤世界” 里越學越偏。

WorldArena 2.0 的已有實驗給出了一個明確趨勢：部分世界模型已經能讓策略相較基礎 SFT 獲得提升，說明它們開始具備 “虛擬訓練場” 的雛形；但與真實仿真器相比，差距仍然存在。Track 2 要推動的，正是從 “能提供一點學習信號”，走向 “能穩定支撐策略優化”。

圖 4 Track 2 將世界模型接入在線 RL 閉環，并以最終策略表現檢驗模型環境的真實效用。

Track 3｜WAM on Real-World Robotic Platforms｜真機平臺上的 WAM 任務能力

到了真實任務場景，WAM 能不能在多本體、多模態和分布式評測條件下完成任務級規劃與動作執行？

Track 3 是 2.0 相比 1.0 最直接的推進：評測進入真機系統，重點考察 WAM 的任務規劃與動作執行能力。它看的是模型能否根據觀測、任務提示和動作歷史給出下一步有效行動；當真實執行出現偏差時，能否繼續調整策略，而不是沿著錯誤軌跡繼續走下去。

Track 3 的重點：多本體、多模態與分布式真實評測

Track 3 將圍繞多個真實機器人本體展開評測，覆蓋主流機械臂配置（如 AgileX、Franka 等），以檢驗 WAM 跨硬件平臺的泛化能力。賽道同時關注接觸豐富任務中的真實操控表現、跨模態感知能力，以及面向部署的效率與接口兼容性。

Track 3 同時設置 vision-only 與 tactile-vision 兩種條件。Vision-only WAM 對應更基礎也更通用的設定：系統只能依靠視覺信息完成規劃和執行；tactile-vision WAM 則允許系統額外使用觸覺觀測，用來處理接觸、滑移、壓力變化和材料交互等更復雜的操作信息。

觸覺不是準入門檻，也不是單獨的重建指標。它更像一個可選的能力增益項：如果參賽方法能把觸覺真正用于動作規劃和糾錯，并在接觸密集任務中取得更好結果，這部分優勢應當體現在真實任務表現中。換句話說，比賽不只問模型能不能 “看見” 接觸，更關心它能不能 “利用” 接觸。

圖 5 Track 3 評測真實世界 WAM 任務規劃與動作執行，覆蓋 vision-only 與 tactile-vision 兩類設置。

已有結果給出的提醒：觸覺有用，但不能替代閉環能力

WorldArena 2.0 在UniVTAC 仿真器上設置了 Insert HDMI 和 Lift Bottle 兩類接觸密集任務，同時比較觸覺預測質量和最終任務成功率。結果顯示，Wan2.2 的觸覺預測達到 21.26 PSNR 和 0.746 SSIM，并在 Insert HDMI 上取得 100% 成功率；但到了需要持續力控的 Lift Bottle，所有受測世界模型成功率都是 0，而 ACT baseline 達到 80%。

這組結果說明，觸覺確實能幫上忙，但它發揮作用的方式并不簡單。插入 HDMI 時，觸覺有助于判斷接口是否對齊、接觸是否發生，從而把細粒度感知轉化為動作成功；但抓穩并抬起瓶子需要系統在更長時間里持續估計受力、滑移和姿態。單次觸覺預測準確，并不等于長時序操作一定成功。

圖 6 UniVTAC 視覺 - 觸覺任務結果：預測指標領先并不必然帶來長時序操作成功。

放到 Track 3 中，這個結論很直接：真正有競爭力的方案，不能只把觸覺重建分數做高。參賽系統還需要證明，觸覺信息確實進入了動作規劃和執行閉環，能在真實執行中幫助機器人判斷接觸狀態、修正動作，并在誤差累積后重新回到正確軌跡，因而其特別強調以下能力：

• 多模態對齊：視覺、觸覺、機器人狀態與動作必須在時間和空間上對得起來。
• 持續執行：模型要處理滑移、摩擦和接觸力隨動作變化的長時序動態，而不是只識別接觸瞬間。
• 閉環糾錯：預測、執行或觀測一旦偏了，策略需要利用新的視覺 / 觸覺反饋及時修正，而不是沿錯誤軌跡繼續執行。
• 真實部署魯棒性：系統還要面對傳感噪聲、延遲、設備差異和物體屬性變化，并保持接口兼容、運行穩定和部署效率。

真實機器人是世界模型繞不開的考場。仿真中的非零成功率，并不自動等于真機可用。傳感噪聲、控制延遲、材料摩擦、接觸反饋、分布偏移，以及不同機械臂之間的差異，都會重新排序模型能力。觸覺可能幫助系統判斷 “是否接觸”“是否滑移”，但前提是模型能把視覺、觸覺、動作和狀態變化放進同一個執行閉環里。

需要說明的是，Track 3 將采用多機構、多地點協作的分布式評測方式，以提高評測公平性、穩定性與可復現性。最終任務列表、硬件接入方式、遠程評測流程與計分細節，仍以比賽官網后續公布為準。

圖 7 Track 3 面向多個真實機器人本體與多機構分布式評測，檢驗 WAM 的真實部署能力。

三、為什么值得參加？

第一，這不是一場只看 “視頻好不好看” 的比賽。三個 Track 分別檢驗視覺預測、交互式學習環境和真實 WAM 任務能力；參賽者既可以單獨參與某一賽道，也可以讓同一模型路線在不同能力層級上接受壓力測試。

第二，WorldArena 2.0 已開放論文、代碼、數據與評測框架。參賽者不必從零搭建基礎設施，可以直接基于公開倉庫中的視頻質量評測、RL 環境評測、真機視覺和視覺 - 觸覺聯合流水線開發。

第三，榜單的價值不只在排名。WorldArena 2.0 已經揭示：視覺指標高不等于任務成功率高，世界模型能幫助策略學習不等于已經可以替代仿真器，仿真中有效也不等于真機可靠。到了真實應用場景，多機器人本體、視覺 - 觸覺和分布式真實評測還會進一步放大這些差距。比賽會把這些問題放到統一協議下，讓真正有效的改進被看見。

對研究者而言，這是一次把論文方法放進公開壓力測試的機會；對工程團隊而言，這是一次檢驗模型能否進入機器人訓練、規劃與部署鏈路的機會。方法是否真的穩，最終要在這些連續環節里見分曉。

四、賽程與提交規則

• 比賽已于 2026 年 7 月 10 日開放，最終提交截止時間為 8 月 30 日；最終結果計劃于 9 月 15 日公布，并在 9 月 27 日舉行頒獎環節。
• 提交頻率：每支隊伍總計最多提交三次，每周最多提交兩次；如同一統計周期內提交多次，將以最后兩次提交結果為準。
• 社區溝通：比賽官方微信群入口已列在比賽官網；Discord 與其他支持渠道將后續公布。

五、相關鏈接

• 比賽官網：http://iros2026challenge.world-arena.ai/
• IROS 2026 Workshop：https://physical-world-models.github.io/IROS2026
• WorldArena 2.0 項目主頁：http://v2.world-arena.ai
• 論文：https://arxiv.org/abs/2605.17912
• 代碼：https://github.com/WorldArena2/WorldArena-2.0
• 實時榜單：https://huggingface.co/spaces/WorldArena/WorldArena2.0
• 官方郵箱：worldarenav2@outlook.com

從可靠預測，到閉環學習，再到真實執行，IROS 2026 WorldArena 2.0 Challenge 希望把世界模型真正推向機器人可用的下一步。