PrimeSim：用 3 万小时跨本体示范把视频模型变成机器人世界模拟器

这份资料试图回答一个很具体的问题：预训练视频生成模型能不能从“生成看起来合理的画面”，走到“对动作条件敏感、支持多视角、还能自回归滚动”的机器人世界模拟器。更进一步，它关心这种模拟器能否承担两类实际工作：评估不同机器人策略的强弱，以及在模拟器内部直接优化策略。把这两件事放在一起看，它的意义在于世界模型不再只是展示视频，而是被摆到策略评估与训练回路里检验。对做机器人学习、视频生成和世界模型的人来说，这是一份把数据规模、推理速度和策略相关性放在同一套叙述里的材料。

覆盖范围上，中期训练语料约 30,110 小时，跨越 22 个机器人平台，真实数据与仿真数据的比例约为 84:16。方法起点是预训练视频生成模型 Wan2.2-TI2V-5B，目标是把它改造成动作条件、多视角、可自回归滚动的模拟器。后期训练用了因果适应、四步一致性蒸馏和分层时间记忆，分别对应动作因果性、推理步数压缩和长时程记忆。这个组合说明作者不是只做单段视频生成，而是在处理“动作进入模型后如何持续影响后续画面”的问题。

速度与时长上，四步蒸馏后官方测得约 10.1 FPS，最长展示约 105 秒的连贯回滚。这个数字要放在“世界模拟器”的语境里看：它说明模型可以连续滚动一段时间，但 10.1 FPS 也表明它还不是高帧率实时系统。评测方面，在 WorldSimProbe 上对五个开源动作条件世界模型，它在五项中的四项领先，均分 66.6；EWMBench 总分 6.09。换句话说，作者给出了两组外部基准成绩，用来支撑“不只是画面好看”的判断。

更关键的是策略评估的一致性。材料显示，八个不同水平的 OpenVLA-OFT 策略在 PrimeSim 与 LIBERO 物理模拟器中的成功率，Spearman ρ=1.00、Pearson r=0.99。这意味着两个环境对策略强弱的排序几乎完全一致，至少在这八个策略和这组任务上，PrimeSim 没有把强弱关系打乱。作者还报告，在 PrimeSim 内做 200 步 GRPO 后，策略在物理模拟器中的成功率从 61.7% 升至 73.2%。这组前后对比说明模拟器内的优化没有停留在自娱自乐，而是出现了向物理模拟器迁移的迹象。

这些结论的实践含义是，世界模拟器可以尝试进入策略筛选和策略改进的流程：先用它做低成本排序，再在模拟器内做一轮优化，最后用物理模拟器验证。解读上，这比单纯比较视频画质更接近机器人学习的真实需求，因为策略评估关心的是相对强弱是否可靠，而不只是单帧是否逼真。但也要看到，10.1 FPS 和约 105 秒的展示说明长时稳定性和交互速度仍有边界；真实与仿真约 84:16 的配比也意味着语料明显偏向真实示范。换句话说，这套结果支持“可用”，但还不足以直接推出“可以替代物理模拟器”。

这份资料适合机器人学习、世界模型、视频生成以及做策略评测的人读：能拿走的是一套从视频生成模型改造为动作条件模拟器的完整路线，以及速度、基准、策略排序和 GRPO 迁移四类量化证据。它的边界也清楚：评测集中在五个开源动作条件世界模型、八个 OpenVLA-OFT 策略和 LIBERO 物理模拟器上，覆盖面不等于所有机器人平台和所有策略族。作者称将发布权重与代码，因此可复现性还取决于后续兑现情况。读完后更稳妥的判断是，PrimeSim 给出了“视频模型可被用作策略评估与优化环境”的有力信号，但长时程稳定性、更广泛任务泛化和实时交互仍需更多证据。