启元PrimeSim世界模型登顶两大机器人权威榜单

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。启元具身研究中心发布 PrimeSim，一款面向机器人操纵任务的世界模型仿真器，基于预训练视频生成模型，经中训练、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 以 6.09 综合得分位列榜首；在 WorldSimProbe 五项评测维度中斩获三项第一。

理想的机器人仿真器需能并行调度上万条轨迹 rollout、支持场景精确重置且无硬件损耗、无需大量工程定制，并尽可能缩小现实鸿沟。仅用视频生成模型做仿真，视觉逼真远远不够，还必须同时满足三重约束：严格服从策略输出的动作指令；多相机视角间保持几何、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。现有通用世界模型大多只能满足其中一到两项。

PrimeSim 采用两阶段改造范式。中训练阶段基于 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%。核心设计包括：统一动作表征，将头部、躯干、腰部、末端执行器、夹爪、底盘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。

后训练阶段针对自回归仿真难点设计三项机制：高速生成链路，分块因果适配加四步一致性蒸馏，支撑长序列连续仿真；自条件稳定性，以冻结双向教师模型为参照，开展 Self-Rollout 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。该方案将双向生成模型改造为因果、Self-Rollout 的世界模型仿真器，超过固定训练上下文窗口后仍可稳定推演，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。

EWMBench 上，PrimeSim 综合得分 6.09，高于 GE-Sim（LTX，5.82）、GE-Sim（COSMOS2，5.79），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）均列第一。WorldSimProbe 基于 LIBERO 设计五套评测套件，剥离视觉观感与任务成功率干扰，聚焦仿真器动态保真度，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，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；对照 Wan2.2-FT 对应指标为 r=0.91、MMRV=0.041、|Δ|=8.3。团队进一步在 PrimeSim 内部对 OpenVLA-OFT 做 GRPO 强化学习，每轮采样 512 条 episode，共 200 轮更新，策略在原生仿真器上成功率提升 11.5%，在 PrimeSim 内评估指标上涨 11.8%，证明神经仿真器中得到的策略增益可有效迁移到传统物理仿真环境。

少样本本体迁移方面，适配 xArm 7、ViperX 300、UMI 夹爪分别仅需 200、100、200 步梯度更新；仅经通用预训练的模型在 2000 步更新后仍无法产出可用效果。在 AgileX Piper 的 XVLA 场景中，布料、相机位姿、场景均未出现在训练集内，零样本推演时密集接触的布料形变会快速漂移；单卡 A100 上仅需不到 3 分钟、200 步微调后，布料形变跟随动作指令，多视角状态保持一致。

推理性能方面，单张 A100-80GB、三视角、单图分辨率 288×384、一次预测 32 帧未来画面、4 步去噪配置下，PrimeSim 实现 10.12 TempFPS、30.35 ViewFPS，吞吐能力约为 GE-Sim 2.0 的 4.