跨维智能 DexWorldModel 登顶 RoboTwin：94% 成功率 + 零样本 Sim2Real 超过 π0，世界模型的考场不该是视频生成

📰 概要

2026年4月21日，跨维智能发布 DexWorldModel，在 RoboTwin 榜单取得 94.00% 平均成功率，登顶第一。零样本 Sim2Real 结果：仅在仿真中训练，在真机上超过 π0、GR00T N1.5 和 Sim2Real-VLA——后者还用了真机示范微调。

四层协同架构：CLWM（因果潜空间世界模型）解决表示瓶颈，Dual-State TTT Memory 把长时任务内存压到 O(1)，SAI 预去噪降低 50% 阻塞延迟，EmbodiChain 提供在线数据流。

VLA 路线正被行业自己抛弃：VLA 概念共同开创者 Pete Florence（Generalist AI CEO）公开宣布不再归类为 VLA。视觉质量与具身任务成功率 Pearson r 仅 0.360——画得最像的，最不懂交互。

这篇文章最大的信号不是"又一个世界模型"，而是行业对"世界模型该怎么评价"的集体反思。

清华 WorldArena 基准用 14 个模型做了系统测量：视觉质量与人类主观评分 r=0.825，但与动作规划成功率 r=0.360。Veo 3.1 视觉美学分最高，具身任务反而"提升有限"。这意味着视频生成榜单和具身任务榜单在评价完全不同的东西。

DexWorldModel 把"下一帧好不好看"换成"世界是否进入了可执行的状态"。CLWM 预测语义特征而非像素，TTT Memory 隔离真实历史与推测历史，SAI 把推理和执行深度重叠——每层设计都指向"真机可闭环"这一个目标。

对比世界模型的技术路线演进：

四层协同的收益叠加在同一条曲线上：消融实验显示，去掉 ODS 成功率肉眼可见地下滑——数据流不是可选加持，是直接参与上限提升。

零样本 Sim2Real 是最有说服力的一格。纯仿真训练 + 真机直接跑通 + 超过用了真机数据的基线，说明表示层（语义特征）和记忆层（因果隔离）的设计确实缩短了仿真与现实的差距。

EmbodiChain 已开源：资产生成、场景布局、Reachability-aware 采样、失败恢复、ODS 全部模块化开放。跨维智能的态度很明确——不和概念赛跑，和真实世界赛跑。对做具身智能部署的人来说，这套开源基建比任何论文数字都更值得关注。