Ropedia W0: Scaling Loco-Manipulation World Models across Embodiments with Human Experience

比喻：不管是人手、夹爪还是五指灵巧手，都先画成一张贴在画面上的“火柴人”骨架图；模型只需学会“骨架这样动、镜头这样走，画面会怎么变”，于是人类视频学到的规律可以直接搬给机器人。

1. 统一的运动表示（P.7-8） - 行走：相机相对首帧的位姿编码成 Plücker 射线图（每个像素记录一条视线的方向和位置，共 6 个通道），平移用米制单位，不同本体尺度一致。 - 操作：人手用 WiLoR/MANO 估计的手部关键点；机器人用 URDF 正运动学（FK，由关节角算出各关节位置）投影到图像上，再大量人工标注和纠正对不齐的关键点（P.6）。 - 可选：手腕位姿图、1.5 倍视野的“宽视野骨架”，补上画面外的手臂信息。

2. 条件注入（P.9）：基于 Wan2.2 视频扩散模型，有 5B 稠密版和 A14B 混合专家版（约 27B 总参数、14B 激活）。射线图和骨架图编码后与视频 token 逐位置相加（投影层零初始化，开始时不破坏原模型）；宽视野骨架因为和画面不逐像素对齐，走单独的交叉注意力。

3. 训练与蒸馏（P.9-10）：先只用人类视频预训练，再用人类和机器人数据各占一半继续训练（mid-training）。之后蒸馏成 4 步自回归学生模型，并用 LongLive 做流式长视频生成，实现分钟级实时生成。

评测：五个跨本体基准（DreamDojo 的 GR-1 三个测试集、Ψ0、ω-HOME、自建 Xp-Teleop、AgiBot）加 200 段没见过的人类第一人称视频（P.11）。指标：PSNR、SSIM 越高越好，LPIPS 越低越好；相机轨迹误差 ATE/RPE/RRE 越低越好，手部 PCK 越高越好。对比 DreamDojo（2B/14B）、Cosmos3（16B/64B）、OSCAR、RynnWorld-Teleop（P.12）。

主要结果 - 人类视频零样本：A14B 预训练版 PSNR 19.77，Cosmos3-Nano 18.66；相机 ATE 1.542 cm vs 1.931 cm（表 2，P.13）。 - DreamDojo 基准只用 1% 后训练数据：A14B 在 In-lab 上 PSNR 23.028，DreamDojo 14B 为 18.983（表 3，P.14）。 - Xp-Teleop 不做后训练：A14B 已超过所有基线用全量数据后训练的结果（表 4，P.14）。注意“零样本”指评测数据集没训练过，但同一种机器人可能在混合训练里出现过（P.12）。 - 消融：去掉骨架条件，A14B PSNR 掉 3.8 dB；去掉相机条件平均只掉 0.3 dB，但在视角移动的本体上掉 1.3 dB（P.13）。 - 规模：随人类预训练小时数增加（对数坐标到 10k 小时），人类和机器人评测都单调变好（图 6-8，P.15-16）；模型从 5B 换到 A14B，PSNR 再涨 1.4-2.3 dB（P.15）。

下游应用（P.16-18）：当策略评估器，与真实成绩相关系数 0.984（仿真）/0.996（真机）；做候选规划，仿真任务进度 92%（随机 53%）、真机 G1 55%（随机 26%）；初始化世界-动作模型，LIBERO-Plus 成功率 50.06%→56.82%，真机 G1 任务进度 56.7%（FastWAM 33.3%）。

速度：蒸馏后的 4 步 5B 学生在单卡上 640×480 达 21.3 帧/秒，比 50 步教师快 7 倍，质量不降（表 S1，P.36）。

站得住的：多基准、多规模、带消融，预训练与官方底座的对照很干净。要打折的：真机实验规模小；主要指标是像素相似度，不直接衡量接触和物体物理是否正确（作者也承认，P.54）。