CurrentWorld-0：跨本体多视角力触觉统一的机器人世界仿真器

Current Robotics 团队正式发布交互式世界仿真器 CurrentWorld-0，首次把跨本体动作推演、多视角一致性预测与力-触觉反馈统一进同一套系统，被视为继 Curr-0 人形全身精细操作模型之后的又一重磅工作。

团队创始人祝毅晨曾任美的集团具身智能部部长，已发表 40 余篇顶会论文，学术引用超过 5,200 次。其早期提出的 TinyVLA、DiffusionVLA、DexVLA 等工作，分别发表至 ICML、CoRL 等顶会；Physical Intelligence 的里程碑论文 π0 也引用了 TinyVLA 与 ScaleDP。

从视频生成到机器人评测的鸿沟

视频生成模型在大规模预训练后，已具备较强的视觉与运动先验：物体被遮挡不会消失，形状不会突变，运动在时间上也通常是连续的。这对视频生成是优势，却会给机器人评测带来隐患。

机器人训练数据里充斥着大量「伸手—抓住—拿起」之类的成功轨迹。当一个尚未训练好的策略把手伸偏，视频先验有时会替它把后续结果往「成功」上补：机械臂实际没抓稳，生成画面里的物体却仍然跟着手走。真实执行已经失败，世界模型给出的未来却依然顺利完成任务——评测结果由此失真。

Current Robotics 在 dWorldEval 中专门研究的，就是世界模型的「动作可控性」（action controllability）：动作发生变化，世界必须跟着变；动作已经失败，模型也不能替策略把结果纠正回来。CurrentWorld-0 将这一原则作为最底层的设计约束。

跨本体、多视角与力-触觉的统一

要让世界仿真器真正服务于不同机器人评测，必须同时解决三个层面的耦合。

首先，动作接口因本体而异。固定双臂、移动升降双臂、人形机器人的动作空间完全不同，CurrentWorld-0 不规定统一动作格式，而是为每个本体保留独立的 Action Subspace，再把这些不同形式的动作继续推演下去。

其次，多视角必须保持时间一致。机器人通常同时依赖第三视角全局相机、头部相机与腕部相机，CurrentWorld-0 需要让多路画面共同记录同一次事件，物体、机器人和场景状态随操作同步推进，避免出现「第三视角看到杯子前移十几厘米、腕部相机却仍停在原处」这类漂移。

最后，力与触觉反馈必须纳入预测。夹爪位置正确不代表真的捏住了薯片，刀刃贴住黄瓜也不代表已经削下去。CurrentWorld-0 把工具何时真正受力、接触是否实际发生、抓取是否稳定等像素之外的状态，与视觉预测同步输出。

综合来看，CurrentWorld-0 试图还原的是「动作输入 → 环境响应 → 接触发生 → 物理反馈」的完整过程。

人类接管：把中间状态重新打开

真实机器人执行任务时，某个中间状态往往难以原样复现。CurrentWorld-0 内置了基于 Hi-WM（Human-in-the-World-Model）思路的接管机制：策略自主执行进入潜在失败状态时，操作员可通过遥操作接管，从当前位置继续动作；当前状态也可以保存与回滚，换一种方式在同一个节点重新尝试。

每次接管都会把后续交互重新展开，新的接触带来对应的力-触觉反馈，操作员的纠正动作也被完整记录。这些交互轨迹可进一步用于 policy post-training，使同一状态能被多次重新调用，从不同动作选择里继续探索。

殊途同归：评测环节的价值锚点

机器人本体、数据、模型与控制方式都在持续分岔，但能力最终都要回到真实世界接受检验。CurrentWorld-0 想扮演的角色，是终点前最后一道关卡：让尚未被现实检验过的策略，先在仿真里跑一遍、错一遍、改一遍，再走向部署。

路可以有一千种，而世界只有一个。