机械臂伸向转盘上的寿司——画面定格那一秒，你根分内不清它是稳稳持取，如故随即要撞飞整盘。一张图，看不出速率、加快度、宣战力变化，更猜不到0.3秒后夹爪会不会打滑。可昔日许多机器东说念主Critic模子，就靠这一帧图打分。说白了，就像让裁判只看NBA扣篮的GIF动图，就判这球是2分如故违例。错得离谱，还相等自信。
OpenMOSS团队此次没加录像头、没塞更多图像帧，而是给Critic“开了个脑洞”：让它边估价值，边瞻望当作之后的天下会造成什么样。不是“当今好不好”，而是“照这样干，下一步是稳住如故翻车”。这个叫World Critic Model（WCM）的新模子，把天下模子和价值评估揉进统一个头里，代码、权重、数据全开源，真机上跑15分钟，就能训出靠谱的价值弧线。莫得玄学调参，莫得GPU海啸，连施行室小团队也能今日搭、今日试。
后果有多猛？一个原来在ManiSkill基准上胜利率仅0.78%的VLA模子，接上WCM强化学习后径直飙到98.7%——涨了97.9个百分点。更要津的是，它不光在侦查过的场景里灵，换了个没见过的桌子、换了种软塌塌的布料、致使概念我方动起来，胜利率仍是稳住72.7%的提高幅度。这不是在背题库，是在信得过贯穿“当作-景色-后果”的因果链。机器东说念主第一次启动像东说念主雷同，冷暖自知。
以前作念机器东说念主侦查，动不动就要上百万次仿真，光是跑一轮就要烧掉好几块A100。收尾呢？仿真里练得飞起，一上真实桌面就手抖——筷子夹豆腐径直碎成渣，吸盘持水瓶哗啦滑脱。为啥？因为传统Critic只学“静态判分”，像用好意思颜相机看东说念主：滤镜开满，五官皆糊了，还硬说这脸“很上镜”。WCM不这样干。它在每一步当作前，自动脑补三帧后续景色：夹爪压下去时寿司米粒会不会散、转盘转速微调0.5rad/s会不会让鱼片偏移2mm、环境光一会儿变暗是否影响红外测距。这些瞻望不是臆造编，而是用真什物理引擎+小样本真实交互数据聚拢蒸馏出来的——ManiSkill 3.0里那套轻量级PyBullet仿真器，被他们砍掉70%冗余策画，留住的全是和力控、摩擦、形变强关系的物理先验。
更竟然的是落地门槛。团队在GitHub放的Demo里，连树莓派4B+USB录像头皆能跑通简化版WCM推理（FPS 8.3），只有接上UR5e机械臂的圭臬ROS接口，改两行launch文献就能启动闭环放手。上海交大一个本科生团队上周用它矫正食堂送餐机器东说念主，没调过一瞥底层畅通学代码，只喂了37段手机拍的托盘摆放视频，三天就把托盘倾角舛讹从±12°压到±2.3°。这不是施行室炫技，是真把“价值评估”从黑箱造成可调试的模块——比如你发现机器东说念主老在擦桌子角落卡住，径直灵通WCM的瞻望热力求，立马看到它对“桌沿反光导致深度误判”的置信度高达91%，随即加个偏振滤光片就处置了。
固然，它也不是全能钥匙。当前WCM对超高速动态概念（比如弹跳中的乒乓球）瞻望蔓延仍超65ms，对透明材质持取胜利率比磨砂材质低18%。但OpenMOSS在论文附录里爽直写了：“咱们删掉了整个无法在真实硬件复现的 trick，包括梯度剪辑阈值设为∞、伪标签生成时强制平滑等12处常见‘学术捷径’。” 这种笨功夫，反而让模子在清华自动化系的工业分拣活水线上开云体育(中国)官方网站，连气儿72小时无故障运行——比上一代纯视觉Critic多扛了4倍时长。当机器东说念主不再靠海量数据堆出幻觉，而是靠因果推演稳住每一秒，咱们离阿谁“拧瓶盖不打滑、剥橘子不破膜”的普通，其实就差一次开源社区的集体调试。
