机器人世界动作模型E0.5开源 拓元智慧真机整体成功率超基线模型26.7个百分点
要点
X-Era AI拓元智慧近日发布开源原生4D世界动作模型E0.5，论文、项目主页与代码同步公开。据公开报道，该模型在AgileX Piper双臂机器人和Zerith H1人形机器人上，经过机器人数据预训练后整体平均成功率分别达到85.0%和88.3%，较基线模型π0.5分别高出…
X-Era AI拓元智慧近日发布开源原生4D世界动作模型E0.5，论文、项目主页与代码同步公开。据公开报道，该模型在AgileX Piper双臂机器人和Zerith H1人形机器人上，经过机器人数据预训练后整体平均成功率分别达到85.0%和88.3%，较基线模型π0.5分别高出13.3和26.7个百分点。
据公开报道，传统视觉语言动作模型（VLA）通常以视觉语言基础模型为核心，核心训练目标仍以动作预测为主，缺少对动作执行后世界状态变化的显式建模——机器人可以学习在特定场景下如何抓取和放置物体，却不一定充分理解这些操作会怎样改变物体之间的空间关系。世界动作模型（WAM）把动作学习进一步拓展到未来世界状态预测，通过联合建模机器人动作与未来环境变化，让模型不仅学习”应该怎么做”，还学习”做完之后会发生什么”。
E0.5的关键设计是把三维基础模型从辅助感知模块提升为世界动作模型的原生骨干，并将未来三维几何预测直接融入动作学习。据公开报道，在模型架构上，E0.5以三维基础模型为核心，通过语言条件化的几何表征和逐层几何—动作交互，将空间理解与机器人动作生成紧密结合；在预测目标上，它将动作序列与其终点对应的未来三维状态进行联合学习，在学习抓取、移动和放置等操作的同时，预测动作完成后的深度、三维空间结构和相机参数。消融实验验证了这一设计的有效性：在相同训练预算下，相比仅重建当前几何状态，预测未来三维状态使RoboTwin 2.0的平均任务成功率提升近10个百分点。
几何驱动泛化是这套方法针对具身落地痛点的解法。据公开报道，具身落地最痛的地方在于分布偏移：同一种充电器换个摆放角度、线缆扭成不一样的形状、出现从未见过的杂物组合，很多模型在标准样本上表现稳定，一旦物体外观、姿态跳出训练分布，整套操作逻辑就容易失效。E0.5依靠几何表征做迁移，学的不是”某张充电器图片对应一套抓取脚本”，而是刚性物体、柔性线缆、容器之间的空间关系与交互规律。在Zerith H1的三项真机任务中，E0.5分布外平均成功率达到76.7%，相比π0.5的46.7%提升30.0个百分点。
真机评测覆盖AgileX Piper双臂系统与Zerith H1人形机器人，任务包括鼠标归位、充电器收纳与垃圾清理，每项任务分EASY与HARD两档。据公开报道，每套策略在两个平台累计进行120次试验，总实验次数共480次。在经过大规模具身数据预训练后再做任务后训练的设置下，Piper分布内平均成功率达到96.7%，H1达到100.0%，其中H1在鼠标归位、充电器收纳和垃圾清理三项任务中均达到100%成功率；面对未见物体与陌生空间配置，Piper和H1的分布外平均成功率分别达到73.3%和76.7%。H1上在相同的600条演示数据、5个epoch后训练预算下，E0.5将整体平均成功率从51.7%提升至81.7%，其中分布内提升23.3个百分点，分布外提升36.7个百分点。
模型规模的取舍同样指向产业端侧。据公开报道，E0.5在RoboTwin 2.0评测中以2.32B的策略核心参数量，在未进行大规模具身数据预训练的情况下，每个任务使用50条干净演示开展训练，取得89.90%的Clean场景平均成功率和50.09%的随机化场景平均成功率。这一取舍的理由是端侧实时闭环的硬约束：机器人端侧和边缘控制器对推理延迟、显存占用有天花板，一旦推理延迟拉高，闭环控制就会迟钝，直接破坏本体动态交互。机械臂的阻抗控制、人形机器人的平衡维持，都要求在毫秒级完成感知—决策—执行的循环。
在系统层面，据公开报道，X-Era AI拓元智慧的技术架构中，VWA与PhyAgentOS（物理智能体运行框架）构成模型+系统双层底座：世界动作模型承担环境感知、物理推演、动作序列生成；PhyAgentOS负责方案校验、异常恢复、任务经验沉淀；经校验的真实场景数据持续回流，驱动模型迭代升级。这套体系已在智慧零售、仓储物流、工业制造、人居服务等场景落地验证。
世界模型近两年批量涌现，但多数demo的共同短板是”只能看、不能试”——仿真高分与真机落地之间隔着摩擦、形变、噪声、光线、机械误差这一整套扰动。E0.5把未来几何预测做成可训练骨干的监督信号，让”动作执行之后世界会怎么变”成为模型显式学习的目标，而不是视频生成模型的副产品。论文与代码同步开源也让这条路线具备可复现性。不过官方页面未展开跨零件测试的连续成功率、人工接管次数与节拍数据，而这些才是判断工厂产线上能否真正替人的硬指标。
