1X《1X世界模型：评估比特，而非原子》技术进展报告

机器人策略好不好，通常要在真实硬件上跑一遍才知道；而对全身人形机器人来说，这种验证既慢又难重复。1X Technologies 的这份 1XWM 补充技术报告，正面处理的就是这个问题：能不能用一个生成式视频模型，在“比特”层面承担一部分原本要在“原子”层面做的评估。标题里的对照可以理解为把评估对象从实机运行转向模型生成的观测。对关心人形机器人落地节奏的读者来说，这是一次把评估环节工程化的尝试，值得现在就看。

报告聚焦在 1X 自研的世界模型 1XWM 上。按材料的描述，它是一个生成式视频模型，做两件事：预测机器人未来的观测，以及预测任务价值。它的定位不是一套单独的动作策略，而是给策略打分的评估器——给定动作指令，输出对后续观测与任务完成情况的预判。材料给出的范围也仅止于此，讲的是模型能力与评估用途，没有涉及硬件参数或部署细节。

关键主张有两条。第一条是覆盖面：1X 称 1XWM 是首个面向全身人形机器人的世界模型，能够根据动作指令预测接触和全身操作。重点落在“全身”和“接触”上——不是桌面级机械臂的抓取，而是整个人形身体与环境的相互作用。换句话说，模型要预测的不只是画面下一帧长什么样，还包括身体是否碰到东西、接触如何发生这类直接决定操作成败的量。

第二条主张关于它作为策略评估器是否可信。材料说，1XWM 的评估准确度会随自主运行数据的增加而提升，并且与真实世界评估高度相关。这两点合起来看：一方面模型不是静态的，数据越多评估越准；另一方面，在比特层面得到的高相关结果，被用来支撑“可以替代部分实机评估”的判断。需要说明的是，材料只给出方向性描述，没有披露相关性数值或测试规模。

这些结论落到实践上，影响的是迭代节奏。对做具身智能的团队来说，评估往往是循环里最费时的一环：策略一改就要重跑，实机还有损耗与安全边界。如果世界模型的评估结果能与真实世界保持高相关，它就能在训练循环里承担筛选和排序的角色，把实机验证留给少数候选。前提也清楚：只有当模型对接触和全身操作的预测足够可靠，这种替代才站得住；1X 把“随自主运行数据增长而提升”当作论据，本身说明当前准确度仍有提升空间。

这份资料更适合已经在做人形机器人或视频世界模型、并且关心评估方法的人：策略工程师能从中看到一个把评估交给生成模型的思路，模型研究者能看到“预测任务价值”这一目标设定。读完大致能拿走的是一套问题框架——世界模型该预测什么、又该怎么验证它作为评估器是否可信。边界同样明显：它是补充技术报告，主张以定性描述为主，没有可供复现的实验细节与数值，结论的强度依赖 1X 自己的数据与设定。