企业官网建设流程全解析

论文：XEWorld: Can Action-Conditioned World Models Generalize to Unseen Robot Embodiments?（CASIA-NLPR / UCAS / Shandong University / FiveAges，AAAI 2027）
发布时间：2026 年 8 月 6 日（arXiv v1）
作者：Yixiang Chen、Jiabing Yang、Yuan Xu、Qisen Ma、Keji He、Peiyan Li、Kai Wang、Ziheng He、Xiangnan Wu、Jing Liu、Nianfeng Liu、Yan Huang、Liang Wang（共 13 人）
核心一句话：用同一场景、五个双臂机器人做"留一本体"受控测试，XEWorld 发现当前世界模型的跨本体泛化被"视觉相似度"主导（r = 0.812 r=0.812r=0.812）而非"运动学相似度"（r = 0.549 r=0.549r=0.549）——它们本质是 2D 视觉模板匹配器；零样本渲染陌生机器人必须靠像素空间动作 + 逐帧时空对齐，而少样本微调会把已学机器人灾难性遗忘（UR5 的 LPIPS 暴涨 69%）。

核心关键词

• 动作条件世界模型（action-conditioned world model）：学到的"环境模拟器"，给定当前观测和一个动作序列，预测未来视频帧，用于离线策略评估与规划。
• 跨本体泛化（cross-embodiment generalization）：换一个训练时没见过的机器人本体，世界模型还能不能正确渲染它的运动与交互。
• 留一本体协议（held-out-embodiment / LOEO）：把某个机器人整本留出只做测试、其余训练，从而把"本体"隔离成唯一变量。
• 解耦指标体系（decoupled metric suite）：把视觉质量、机器人形态、机器人运动学、物体动力学四维分开打分，而非塌成单一标量。
• 像素空间动作（pixel-space action）：光流/掩码/射线图等直接锚定在图像平面的动作表示，区别于抽象数值关节角。
• 2D 视觉模板匹配器（2D visual pattern matcher）：本文对当前世界模型本质的诊断——按"视觉像不像"匹配，而非真正理解物理运动学。
• 灾难性遗忘（catastrophic forgetting）：少样本微调新本体时，已学本体的表现崩塌。

带着问题阅读

1. 同一场景换一个没见过的机器人，世界模型还能渲染对吗？为什么"只在训练机器人上评测"根本验不出真假？
2. 机器人 A 和 B 运动学结构相近但长得不像、vs 长得像但运动学差很远——世界模型对哪种更难泛化？
3. 给模型更多目标机器人的照片、多视角、运动视频，为什么几乎没用？什么条件才真的有用？
4. 抽象数值关节角 vs 像素空间动作（光流/掩码），为什么后者跨本体远胜前者？
5. 少样本微调能补上零样本的差距吗？代价是什么？
6. 这套"2D 模板匹配器"的瓶颈是某一个模型的毛病，还是所有主流世界模型的通病？

一、核心导读

动作条件世界模型被当成"学到的模拟器"——给一个动作就能 rollout 未来视频，理论上可做离线策略评估与规划。但要当可靠模拟器，它必须抓住不随本体改变的物理动力学，而不是记住每个机器人特定的视觉外观。问题在于，现有测试床只在训练机器人上评测，而"在见过的机器人上渲染得好"分不清两种情况：模型到底是真懂物理，还是只是把这台机器人的样子背下来了。

XEWorld 要回答的就是那句标题问：一个动作条件世界模型，能不能忠实渲染一台它从没见过的机器人？为此它把"机器人本体"隔离成唯一实验变量——同一 25 项操作任务、同一场景布局/物体位姿/光照/相机，在五个双臂机器人上做到字节级一致，只有"身体"不同。

如该图所示，XEWorld 是一个受控的跨本体测试床，专门用来判定世界模型究竟抓的是可泛化的物理动力学，还是只记住了本体特定的视觉模式。它的核心结论很反直觉：模型迁移到新本体的能力，主要被"视觉相似度"而非"运动学相似度"主导——长得像训练集的就好渲染，运动学结构像不像反而关系不大。这说明当前架构本质上是 2D 视觉模板匹配器。正因如此，它们很难把抽象的数值关节角翻译成连贯的视觉轨迹，逼得只能靠像素空间动作绕过这道翻译关；也很难从静态初始观测预测动态变化。即便喂更丰富的目标机器人描述也几乎不涨点，除非做到逐帧时空对齐。少样本微调能强行恢复外观，却会灾难性遗忘已学机器人。论文据此给出未来世界模型的三个设计前提：像素空间动作、显式时空对齐、以及从架构上把视觉外观与物理动力学解耦。

二、问题背景：作者到底想解决什么

2.1 为什么"在训练本体上评测"验不出世界模型真假

世界模型预测一个本体动作随时间的视觉后果。要当可靠模拟器，它必须抓住不随本体改变的物理动力学，而非记住本体特定视觉模式。但现有测试床只在训练本体上评，这种"分布内评测"无法区分两种模型——真懂物理的、和只背外观的，在见过的机器人上表现一样好。要真正验"动作条件泛化"，必须评跨本体能力：把机器人本体当成主要变量隔离出来，看模型能否把物理环境与特定本体解耦。这是 XEWorld 的出发点。

2.2 跨本体泛化的两个朴素假设为什么都站不住

围绕跨本体迁移，圈里流行两个假设，XEWorld 一上来就要重新审视：(1) 运动学相似的本体泛化自然容易成功；(2) 视觉不匹配只要给几张目标本体的静态参考图就能解决。作者的分析表明这两条都有关键局限，暴露出"匹配静态视觉模式"与"模拟动态物理运动"之间的根本脱节。整篇论文的实验设计，本质上就是逐条证伪这两个假设、并追问"那到底什么才管用"。

三、核心思路：用一句主线串起来

把"机器人本体"隔离成唯一变量、用配对反事实数据 + 解耦四维指标 + 距离分析，系统证明跨本体泛化卡在"视觉相似"而非"运动学相似"，再用一串受控干预（动作表示、静态描述、少样本微调）反推出未来世界模型的设计前提。一句话：先证伪"运动学相似就好泛化/给图就能补外观"两个假设，再把真正的瓶颈定位到"2D 视觉模板匹配"，最后给出三条可落地的设计准则。

四、方法展开：沿着论文原始逻辑拆解

4.1 XEWorld 测试床：留一本体协议与配对反事实数据

XEWorld 把机器人身体设为唯一实验变量。它用 RoboTwin 模拟器重渲染五个双臂机器人，支持灵活划分，主用 3 训/2 留做干预研究、留一本体（LOEO）做距离分析。在 3 训/2 留里，训练机器人是 Aloha-Agilex、Arx-X5、UR5；留出对是 Franka Panda 与 Piper。这对留出是刻意挑的：它们到训练舰队的运动学距离相近，但视觉外观距离差异显著，从而能把"运动学"和"外观"两个纠缠因素分开。两者结果分开报、绝不平均，保证性能下降能被准确归因到不同视觉相似度层级。

测试床核心资产是严格配对的跨本体数据：给定任务与种子，场景布局、物体位姿、光照、相机在五个机器人间字节级一致，唯一变量是身体。这种字节对齐保证未见机器人上的任何性能下降都完全来自本体。发布覆盖 25 项操作任务 × 5 机器人，相机分辨率320 × 240 320\times240320×240，每任务 50 个配对训练种子 + 20 个不相交的留出测试种子，每条 episode 存 RGB、关节动作、刚体与铰接物体位姿、接触状态、相机参数——为解耦指标提供精确 ground truth。

4.2 解耦四维指标体系：分开看模型在哪失败

XEWorld 沿四个独立维度给预测 rollout 打分，拒绝塌成单一标量：

• 视觉质量：SSIM、PSNR、LPIPS 对 ground-truth 视频，抓标准图像级保真度。
• 机器人形态：预测与 ground-truth 机器人掩码（SAM2 分割）的对称 IoU、边界F 1 F_1F1​、区域 LPIPS，评模型有没有把新本体画对形状外观。
• 机器人运动学：关键点重投影精度 PCK（归一化容差α = 0.1 \alpha=0.1α=0.1）、关键点像素误差、归一化 DTW，把 URDF 正运动学 ground truth 与 CoTracker3 追踪的预测对比，测生成的机器人是否按正确关节约束动。
• 物体动力学：物体轨迹像素误差（CoTracker3 追踪，对比模拟器记录的物体位姿），看机器人物理交互有没有把物体动对。

分开打分是为了精确定位"在哪成功、在哪失败"——这恰恰是后续"2D 模板匹配器"诊断的关键手段。

4.3 本体距离：把"难不难"拆成运动学轴与外观轴

为研究"什么样的留出机器人难泛化"，作者沿两轴量化每个机器人到训练舰队的距离。运动学距离：每个机器人正运动学可达工作集采样点云间的 Chamfer 距离，刻画身体移动/触达的结构差异。外观距离：每个机器人标准化参考渲染的视觉特征间余弦距离，刻画颜色分布与投影轮廓差异。各机器人到其余四个的距离如下表：

注意 Franka 与 Piper 到训练舰队的运动学距离相近（0.082 vs 0.074），但外观距离差很多（0.107 vs 0.052）——这正是"解耦两因素"的题眼，后面的距离分析会直接检验"到底哪个轴预测泛化难度"。

4.4 参考世界模型与"干预阶梯"

为系统研究跨本体泛化，作者需要一个显式把机器人运动与视觉外观解耦的模型。他们改造 FlowWAM（一个动作条件具身世界模型）并在三个训练机器人上微调，设计三条输入流：(1) 场景 RGB 提供环境上下文；(2) 像素空间动作信号——机器人掩码光流，用 RAFT 在"仅机器人的正运动学渲染"上算（而非真实场景视频）；(3) 本体规格流，作为视觉提示（机器人图像/视频）告诉模型当前本体长什么样。模型跟着光流走运动动力学、对规格流交叉注意以渲染正确的身体。

这个解耦架构的妙处在于：推理时可以精确控制模型收到多少目标本体的形态信息。固定光流、只改规格流的丰富度，自然形成一条五级干预阶梯：(0) 仅光流（空规格流）；(1) +参考图（一张正视图渲染）；(2) +多视角（九张不同角度渲染）；(3) +铰接片段（机器人扫遍所有关节的短视频）；(4) 逐帧机器人渲染（目标本体用正运动学逐帧渲染对齐到目标动作）。这条阶梯是后面"静态描述够不够、对齐要不要"实验的核心探针。

五、实验与证据：结果能支撑到什么程度

实验分两阶段：先用受控参考模型量化基线泛化差距，再用动作表示、目标描述、少样本适配三种干预看能否缩小差距；最后用距离分析定位难度来源、用多模型验证瓶颈普遍性。下图汇总各干预对两个留出机器人相对基线的提升：

如该图所示，不同干预的提升差异极大——这本身就是"瓶颈很窄"的证据：能涨点的干预（像素空间动作、逐帧对齐）和几乎不涨的（堆静态描述）泾渭分明。

5.1 动作表示：像素空间远胜数值关节角

动作表示从根本上约束模型的跨本体能力。数值关节角虽精确，但其空间映射高度本体特定——同一个角度集在不同机器人上对应完全不同的视觉位形。反之，像素空间信号直接把运动锚定到图像平面。作者比四种表示（数值关节角、投影射线图、逐帧机器人掩码、机器人掩码光流），它们都是"命令动作序列 + 目标 URDF + 相机参数"的确定性函数，都不需要窥探目标 rollout，差别只在保留多少几何、几何怎么编码。

把抽象关节角换成光流，Franka 上 LPIPS 降 29%、Piper 上降 57%，对称 IoU 分别升 25% 和 116%——差距巨大。这指向一个深刻的表示瓶颈：当前视觉骨干网络无法把抽象数值运动学解码成连贯的空间变换，而像素空间动作靠"与视觉输出共享几何坐标系"绕过了这道翻译关；连稀疏的射线图都能挽回相当一部分性能，说明"从纯数值转向空间接地信号"是跨本体的前提。在密集空间输入内部还有个结构权衡：掩码靠逐帧强制刚性边界拿到最高 IoU 与边界F 1 F_1F1​，光流则因只引导运动不强制占位，给生成先验更多自由度去合成自然光照纹理，LPIPS 更低。这是一条核心设计取舍——硬性占位保形态边界，运动场接口保整体视觉保真。

如该图上半所示，像素对齐的动作表示在运动中比数值关节角更忠实地留住留出机器人，而数值关节常让未见机器人在物体交互时溶解或严重畸变。

5.2 更丰富的机器人描述够不够：几乎没用，除非逐帧对齐

一个常见假设是模型在新机器人上失败只是因为不知道它长啥样。作者递进地喂更丰富描述：先加一张参考图，再扩到九个静态视角，最后给一段动态铰接片段。结果见下表：

收益几乎立刻饱和：第一张参考图确实把机器人区 LPIPS 降了 8%（Franka）/7%（Piper），但到此为止；从一张图到九个视角，全帧 LPIPS 降不到 1%、形态 IoU 升不到 2%；换成铰接片段甚至把这点微弱收益倒吐回去（片段里未对齐的运动反而干扰生成）。模型只吃到一次性的外观收益就不再进步，无论再喂多少——说明瓶颈不在"目标机器人视觉细节不够"，而在时间与空间对齐：生成模型不会把静态参考图的像素映射到生成视频里一个全新的、运动中的姿态。为证明这点，作者引入逐帧渲染条件——把目标本体外观在每一帧都对齐到目标动作。效果巨大：相比仅光流，逐帧渲染把机器人区 LPIPS 再砍 50%（Franka）/45%（Piper），形态 IoU 升 22%/8%，远超九视角那点收益。结论很硬：世界模型只有在外观信息逐帧、显式注册到目标帧时才能用得上它。

如该图下半所示，静态描述对生成输出改观有限，而逐帧渲染把目标形态恢复得明显更完整——这正是"对齐，而非信息量"决定成败的视觉证据。

5.3 少样本微调：补上一半、忘掉七成

既然零样本用静态描述补不上，那直接在少量目标 episode 上微调呢？作者评估M ∈ { 1 , 2 , 3 } M\in\{1,2,3\}M∈{1,2,3}条示范/任务：

微调收益来得快：第一轮（M = 1 M=1M=1，仅 25 条 episode）就拿走绝大部分好处，把 LPIPS 降 30%（Franka）/32%（Piper）；加到 75 条（M = 3 M=3M=3）边际递减，总降幅约 40%。但只看全帧指标过于乐观：M = 3 M=3M=3时 Piper 在全帧 LPIPS 上补了 97% 的差距，可单看机器人区域只补了 57%，Franka 更只补 51%——说明全帧分被非机器人像素（光照/背景）主导，网络仍画不准新本体的机械细节与纹理。更要命的是代价：

如该图所示，模型用每任务仅 1 条示范适配 Franka 时，已学 UR5 机器人的 LPIPS 暴涨 69%。这种灾难性遗忘说明少样本适配只是局部打补丁、而非根本解：网络覆写了对旧机器人的内部表示去硬记新机器人的视觉模式。要部署到多本体环境，得靠参数高效微调或回放机制保住旧知识。

5.4 距离分析：视觉距离强且稳，运动学距离弱且不稳

并非所有未见机器人都一样难。作者用 5 折 LOEO 评全部五个机器人，对比两种距离与全帧 LPIPS 误差的相关性。

如该图所示，五个折上视觉外观距离与跨本体生成误差呈强相关（r = 0.812 r=0.812r=0.812），且稳定性分析下无论留出哪个机器人，这股正相关都成立——新本体只要长得和训练数据差很多，模型就稳定地画不好。形成鲜明对比的是，物理可达工作空间距离与误差只呈弱且不稳的关系（r = 0.549 r=0.549r=0.549），稳定性分析跨折不通过。这一对比点穿了当前视频生成骨干的本质：网络主要是 2D 视觉模板匹配器，而非真正懂物理运动学的系统；机械结构差很多的机器人，除非同时也"长得陌生"，否则并不更难生成。这一节是全文的诊断核心——它把"2D 模板匹配器"从定性吐槽升级成可量化的相关性证据。

5.5 跨模型验证：IRASim、Ctrl-World、EnerVerse-AC 全部退化

为证明泛化失败不是参考模型个案，作者在自家数据上评另外三个近期世界模型（都从各自预训练 checkpoint 在测试床数据上微调）。下表单元格为"训练舰队 / Franka / Piper"：

每个模型在未见 Franka、Piper 上都明显掉点。生成 Franka 时 LPIPS 相对各模型基线涨 38%–221%，形态 IoU 一致掉近 20%。这种普遍退化证明跨本体视觉差距源于当前视频生成管线处理动作与结构的基本方式，而非某一家模型。值得注意的是：用了像素空间动作条件的模型（参考模型的光流、EnerVerse-AC 的射线图）在留出机器人上绝对表现强于纯数值位姿的 IRASim、Ctrl-World；但基线能力更强的架构遇到新本体仍按比例退化。这一共同瓶颈说明光靠 scaling 现有 2D 生成先验不够，真正跨本体模拟需要新架构把视觉外观与底层物理动力学显式解耦。

5.6 更多定性证据：跨 episode 的动作接口与机器人条件迁移

附录提供更多 episode 的定性 rollout，支撑上述发现跨 episode 成立。先看动作接口迁移的额外 episode：

如上两图所示，像素空间动作（光流/掩码）在多个 episode 上都稳定保留未见机器人的结构，数值关节则反复出现溶解/畸变——5.1 的定量结论在更多样本上复现。再看机器人条件（描述/逐帧渲染）的额外 episode：

如上两图所示，静态描述跨多个 episode 都只带来微小改观，而逐帧渲染稳定地恢复目标形态——5.2 的"对齐决定成败"在更多 episode 上同样成立。这些补充证据说明核心结论不是个例样本的偶然，而是跨 episode 的稳定模式。

5.7 设计前提：未来世界模型该怎么做

实验清楚表明当前动作条件世界模型对新本体缺乏稳健泛化。模型缺的不是目标机器人的静态视觉描述，而是建立跨帧显式时空对应的输入——没有时间对齐的空间输入，生成骨干只能凭 2D 视觉模式瞎猜物理铰接。据此，论文给出三条方向：把动作表示从抽象数值关节角转向像素空间表示（光流/射线图，天然与视觉空间对齐）；解决静态本体描述与动态运动间的对齐壁垒，探索把几何/结构条件持续绑定到目标形态贯穿整段 rollout 的机制；以及从架构上把高层视觉外观生成与底层物理动力学/运动学约束显式解耦——这是越过 2D 先验天花板的关键。

六、这篇工作的边界与可复现性

• 模拟器与本体范围：五个机器人全是双臂、在 RoboTwin 模拟器上重渲染，结论是模拟器语境下的；真实机器人跨本体（含 sim-to-real）未覆盖。
• "2D 模板匹配器"的经验性：该诊断基于四个架构（参考模型 + IRASim/Ctrl-World/EnerVerse-AC），跨模型一致支撑"普遍性"，但仍非对所有世界模型；它是一个强经验归纳，而非对所有架构的证明。
• 指标对辅助模型的依赖：机器人形态靠 SAM2 分割、运动学靠 CoTracker3 追踪，这两个模型自身的误差会传播进指标。
• 距离定义的操作性：运动学距离用可达工作集 Chamfer、外观距离用参考渲染特征余弦，都是特定操作化；换用别的距离定义，相关性数值可能不同。
• 划分选择：3 训/2 留是主划分，LOEO 用于距离分析；其他划分下的表现未充分展开。
• 可复现性：配对数据构建依赖 RoboTwin + 五个 URDF，超参与指标管线齐全；但截至 arXiv v1，作者未公开官方代码/数据/项目主页，第三方从零复现需先重建配对数据，门槛不低；arXiv 源码包可逐图复现图表。

七、如果继续研究/落地，应该关注什么

• 从架构上解耦外观与动力学：论文的招牌主张——这不是"加数据"能解的天花板，而是结构性瓶颈，需要新架构。
• 持续绑定几何条件：把显式几何/结构条件贯穿整段 rollout 绑定到目标形态，而非只给静态一瞥。
• 抗遗忘的少样本适配：参数高效微调或回放机制，让少样本补新本体时不杀旧本体。
• 像素空间动作作默认：跨本体场景默认用光流/射线图/掩码，弃用纯数值关节角。
• 真实机器人跨本体：把模拟器结论推到真实机器人，验 sim-to-real 下是否仍成立。
• 更多本体/形态：扩到非双臂、移动平台、单臂，看"2D 模板匹配器"天花板是否随形态多样性变高。

八、术语与概念速查

• IRASim：细粒度机器人操作世界模型，用相对末端位姿作动作，纯数值空间。
• Ctrl-World：可控世界模型，用绝对末端位姿作动作。
• EnerVerse-AC：动作条件世界模型，末端位姿 + 射线图作动作，含像素空间成分。
• FlowWAM：动作条件具身世界模型，XEWorld 参考模型的改造基底（光流作动作）。
• RAFT：光流估计网络，用于在"仅机器人正运动学渲染"上算机器人掩码光流作动作信号。
• SAM2：分割模型，用于从预测与 ground-truth 视频抠机器人掩码，算形态指标。
• CoTracker3：长程点追踪器，用于从预测视频追踪关键点/物体轨迹，算运动学与物体动力学指标。
• RoboTwin：双臂操作模拟器，XEWorld 配对数据在其上重渲染构建。
• PCK：关键点正确比例，归一化容差α = 0.1 \alpha=0.1α=0.1下报，评关键点重投影精度。
• 对称 IoU（Symmetric IoU）：预测与 ground-truth 机器人掩码的交并比，评形态是否画对。
• 边界F 1 F_1F1​：掩码边界轮廓的 F1，评形态边缘精度。
• 归一化 DTW：动态时间规整的归一化版，比关键点轨迹时序对齐度。
• 工作集 Chamfer 距离：两个点云（来自正运动学可达工作集采样）间的 Chamfer 距离，作运动学距离。
• LOEO：留一本体划分，每次留一个机器人做测试、其余训练，用于距离分析。
• 干预阶梯：固定光流、递进改规格流丰富度的五级条件（仅光流/+参考图/+九视角/+铰接片段/+逐帧渲染）。
• 逐帧渲染（per-frame render）：目标本体用正运动学逐帧渲染并对齐到目标动作，是唯一能大幅涨点的条件。
• 区域 LPIPS vs 全帧 LPIPS：前者只在机器人区域算 LPIPS（看本体细节），后者整帧算（含背景/光照，易被非机器人像素主导而显得乐观）。
• 末端位姿（EE pose）：机器人末端执行器位姿，相对或绝对形式，纯数值动作表示。
• 灾难性遗忘：少样本微调新本体时旧本体表示被覆写、性能崩塌，此处 UR5 LPIPS 涨 69% 为证。

九、拓展思考：超出论文本身的五点

1. "2D 模板匹配器"是对"世界模型即学到的模拟器"这一范式本身的挑战，而不只是某家模型差。当"长得像训练集"比"运动学像不像"更能预测成败（r = 0.812 r=0.812r=0.812vs0.549 0.5490.549），等于说当前这类模型抓住的不是物理因果，而是外观统计相关性。若真如此，把世界模型当离线模拟器评估策略、当 model-based RL 的环境，其"模拟"二字名实不符——它在训练本体分布内是一台好插值器，分布外却不保证物理一致。这条线值得追的不是"继续 scale 视觉先验"，而是"如何在生成管线里强制物理一致性约束"，否则 scaling 只会放大这层假象。

2. 一个尖锐悖论：视觉生成先验越强，跨本体可能越脆弱。论文评的四个模型里，基线能力更强的（参考模型、EnerVerse-AC）在新本体上仍按比例退化，甚至更善于用"训练集里见过的机器人外观"去硬套陌生本体。这与直觉相悖——人们原以为更强的生成模型更通用。一个可证伪的假设是：2D 先验的力量恰恰来自对常见视觉模式的过拟合，这本是它在分布内好看的来源，却正是跨本体失效的根。若成立，"堆算力堆数据让世界模型更强"这条路在跨本体维度上是南辕北辙，需要的是结构性纠偏而非规模。

3. 像素空间动作胜过数值关节角，是对"端到端学一切"哲学的具体反例，指向结构归纳偏置的必要。光流/射线图能跨本体、纯数值不能，恰恰因为前者与视觉输出共享几何坐标系、后者把运动学知识强压进一个抽象数值空间再指望网络自己解码回来——而实验证明网络解不开这道题。这暗示一个普适教训：在跨域/跨实体迁移中，把领域结构以"与输出同构"的接口喂给网络，远比指望网络从扁平数值里反演出结构更可靠。"端到端"的尽头不是去掉一切先验，而是选对那些不可由数据反推的结构性先验。

4. 两条距离轴的不对称藏着一个未被尝试的机会：主动注入运动学结构。既然运动学距离相关性弱且不稳（r = 0.549 r=0.549r=0.549）、视觉距离强且稳（r = 0.812 r=0.812r=0.812），说明运动学信号根本没被模型用上——它被视觉外观压倒了。一个未被论文实验却自然引出的方向是：把目标本体的 URDF 正运动学作为硬几何约束注入生成（如可微的正运动学层、关节长度/限位作为渲染约束），强行让运动学轴"在场"。若如此做能把运动学相关性从 0.549 拉高到与视觉轴比肩，就等于把模型从"只看脸"逼成"也看骨骼"——这是对"2D 模板匹配器"天花板最直接的正面攻击。

5. 这篇最大的贡献可能不在结论，而在评估方法论本身：分布内评测验不出真假。"在训练本体上评，真懂物理的和背外观的表现一样好"这一元洞察，其价值可能超过"视觉主导泛化"这一具体发现——因为它给了整个世界模型社区一把标尺：任何声称跨本体泛化的工作，若没在严格配对的留出本体上评、没把本体隔离成唯一变量，其泛化声明都不可信。XEWorld 的配对反事实设计（同场景/物体/光照/相机，只换身体）应成为跨本体评测的事实标准。方法论的贡献往往比单项发现更长寿，因为它改变了后来者如何举证。
   击。

6. 这篇最大的贡献可能不在结论，而在评估方法论本身：分布内评测验不出真假。"在训练本体上评，真懂物理的和背外观的表现一样好"这一元洞察，其价值可能超过"视觉主导泛化"这一具体发现——因为它给了整个世界模型社区一把标尺：任何声称跨本体泛化的工作，若没在严格配对的留出本体上评、没把本体隔离成唯一变量，其泛化声明都不可信。XEWorld 的配对反事实设计（同场景/物体/光照/相机，只换身体）应成为跨本体评测的事实标准。方法论的贡献往往比单项发现更长寿，因为它改变了后来者如何举证。