RoboWorld：用于通用机器人政策评估的快速可靠的神经模拟器

视频世界模型正在成为评估通用机器人策略的可扩展替代方案，绕过现实世界部署的物理限制和工程负担。然而，使用视频世界模型评估策略仍然具有挑战性，因为世界模型错误可能会使生成的预测轨迹不可靠，并且缓慢的推理限制了大规模吞吐量。我们预测轨迹展开了 RoboWorld，这是一个自动化评估管道，它将快速自回归视频世界模型与任务进度感知视觉语言模型评分配对。为了实现可靠的长期自回归世界模型预测轨迹展开，我们提出了 Step Forcing，它结合了锚定上下文和一步自转发上下文，以减少训练测试不匹配，同时保留动作观察动态。这些组件共同使 RoboWorld 能够与现实世界中跨任务和环境的机器人评估紧密结合，实现 Pearson 的 r = 0.989 和 Spearman 的 $ρ$ = 0.970。