用含失败轨迹微调 Boundless 世界模型：RoboTwin「调整水瓶」的假成功从 82.5% 降到 26.3%

内容摘要

在 RoboTwin「调整水瓶」任务上，已公开的世界模型 Boundless World Model（BWM）基座 `step-12000` 只用规划成功的轨迹训练，会把策略抓取失败的片段渲染成成功，冻结分类器因此把 82.5% 的仿真失败误读为成功，画面没法用来判断一次操作是否成功。

该 Hugging Face 模型卡发布了一个微调检查点：改用含失败的 rollout（试错轨迹）再训 750 步，留出片段上失败误读为成功的比例降到 0.263，成功召回 0.964；只用成功数据微调无效（0.860）。权重与基座同结构，可直接替换 `step-12000.safetensors`。

它也能当强化学习环境用：在模型内用 PPO（近端策略优化）训练 π0.5 共 10 次策略更新，在 144 个留出初始状态上回到仿真器评分，5 个种子全部优于 SFT（监督微调）策略、平均高 9.7 分，但依赖三处 PPO 改动。

局限：动作细节决定成败时，训练数据中 29% 的失败仍被渲染成成功；训到 1000 步假成功率更低，成功召回却从 0.91 降到 0.73。数字均出自作者自述的模型卡，未见独立复现。

点评

对机器人软件开发者来说用处很具体：世界模型（world model，即根据动作生成后续画面的模型）产出的视频一旦把失败画成成功，就不能拿来判断这一把有没有抓住；这份检查点显示，把失败轨迹喂回世界模型能明显压低这种「假成功」（留出片段上失败误读率由 0.825 降到 0.263，成功召回 0.964）。权重与基座同结构（同一 DiT 扩散变换器与动作编码器状态字典，仅推理权重），可直接替换 `step-12000.safetensors`，接入已有推理管线改动很小。接入时照卡片的推理契约即可：每窗 61 帧（1 初始帧 + 8 历史帧 + 52 未来帧），`num_inference_steps=50`、`cfg_scale=1`、`action_mode=adaln`，动作取 BWM 的 `eef_abs` 空间；卡片还提示发布管线在 50 步推理时历史噪声分支实际不起作用，需要自己加噪。把模型当 PPO 训练场的用法同样出自这份作者材料。

全部指标出自作者自己发布的模型卡（由 AI 编码助手 Cursor 起草、作者复核），本次未见独立复现，也未涉及真机实验；评测全部在 RoboTwin 仿真中完成，只覆盖一个任务、一种本体、一个头部相机和单一策略家族的 rollout，动作细节决定成败的初始状态上训练数据中仍有 29% 的失败被渲染成成功。材料是抓取时的网页快照，本次时间戳取自 HF 页面的最后修改时间，模型卡属滚动更新页面，其首发日期不能证明文中所有表述都在报告截止前已存在。

原文与定位

• 原文链接 README:paragraph:3；README:paragraph:3；README:paragraph:5；README:paragraph:6；README:paragraph:7；README:paragraph:7；README:paragraph:9；README:paragraph:11；README:paragraph:11；README:paragraph:14；README:paragraph:14；README:paragraph:17