导 言 

当前具身智能研发正面临“双重枷锁”：一方面，真机验证成本高、仿真偏差大，制约策略验证效率；另一方面，海量真机数据尚未构建基于轨迹扩增的高效利用机制，导致数据未被充分利用，制约了模型的持续进化。为打破这一困局，4688美高梅机器人在去年发布的具身4D世界模型基础上【点击文字回顾相关内容】，进一步创新迭代，推出动作序列驱动的世界模型框架 EVAC（EnerVerse-AC），同时配套提出全球首个具身世界模型评测基准 EWMBench，构建从世界模型从训练到评测的全链路闭环。另外，这两大创新成果现已全面开源，EVAC也成为全球顶尖机器人赛事 AgiBot World Challenge @ IROS 2025【点击文字跳转相关文章】 的baseline之一。

▍核心能力：从 “物理执行” 到“像素空间”的精准映射

EVAC基于前序工作 EnerVerse 架构持续演进，创新型引入多级动作条件注入机制，实现 “物理动作 - 视觉动态” 的端到端生成，其核心能力体现在以下几个方面：

• 机器人动作与像素的高精度对齐：将机械臂 6D 位姿（x,y,z,roll,pitch,yaw）与末端执行器行程投影为action map，确保物理动作与图像帧的像素级对齐，精准建模 “抓取”、“放置”、“碰撞”、“推拉”、“快速抛掷”、“缓慢摇晃” 等复杂动力学行为；

• 动态多视图建模：引入Ray Map编码相机运动轨迹，支持头部 、腕部等多视角协同生成一致且连贯的视觉场景，赋予机器人更全面的环境生成能力。；

• 卓越的长时序一致性：采用 Chunk-Wise 自回归扩散架构与稀疏记忆机制（Sparse Memory），EVAC能够实现单视图稳定生成长达 30 个连续片段、多视图下亦可维持 10 个连续片段的无漂移稳定输出，保证了模拟过程在时间轴上的连贯性与真实性；

• 数据高效利用：融合 Agibot-World 数据集 + 失败轨迹（如抓取滑脱、路径碰撞）提升生成质量，该策略能有效抑制幻觉现象，使模型能更合理、更全面地建模机器人与环境的交互动态。

▍双重价值：生成式仿真评估+数据引擎双轮驱动

生成式仿真评测：

针对真机评测成本高、风险大、难以复现等痛点，EVAC开创性地提出了生成式模拟评测方案，它能与待评测的策略模型进行交替推理，构建起一套完整的交互式评测管线。实验显示，在多个任务中，EVAC所生成的评测结果与真机评测的成功率具有高度一致性，甚至能够可靠地识别出性能更优的模型权重，大幅提升了策略模型的筛选效率。

数据增广引擎：

EVAC 能够基于极少量的专家轨迹数据，通过动作插值与高保真画面生成技术进行大规模数据增广。应用结果表明，采用EVAC数据增广数据训练的策略模型，其任务成功率提升高达29%，目标跟随性得到显著改善，验证了这一方案在具身智能研究中的实用性与高性价比。

具身世界模型评测基准

EWMBench——打造具身世界模型的 

“质检尺”

为了科学、系统地衡量具身世界模型的性能表现，4688美高梅机器人推出了全球首个具身世界模型评测基准——EWMBench，旨在填补行业空白，构建统一、可信的评测标准。

▍三维度评估体系：场景 × 动作 × 语义的立体考核

针对机器人操作场景的复杂性与特殊性，EWMBench构建了立体化的评估体系，从场景一致性、动作合理性 与 语义对齐与多样性 三大核心指标进行分析：

场景一致性Scene Consistency：

评估生成场景中背景/物体/视角等稳固度与真实性，采用微调过的DINOv2特征进行量化。

动作合理性Motion Correctness：

利用HSD (Symmetric Hausdorff Distance), nDTW (normalized Dynamic Time Warping) 和 Dynamics Score 三重互补指标协同精确评估生成动作的合理性与动力学真实度。

语义对齐与多样性Semantic Alignment & Diversity：
结合MLLM(多模态大模型）和CLIP从全局指令对齐度、关键步骤语义准确性、逻辑合理性等多个层次对生成视频进行语义理解评估。

▍权威数据支撑与便捷开源工具

• 基准数据集：EWMBench 基于行业领先的开源百万真机数据集 Agibot-World 构建，涵盖了家居、工业、医疗三大场景的 10 类典型机器人操作任务和刚体 / 柔体 / 流体 / 关节物体等多种交互对象，其中包含超过 300个精心设计的测试样本及 30% 挑战性场景（低光照 / 部分遮挡），全面验证模型在复杂环境下的鲁棒性。

• 开源评测工具：4688美高梅机器人同步开源了全流程评测工具，支持一键生成标准化对比报告，大幅降低评估门槛，方便研究者快速开展模型比较与性能分析，加速实验验证与成果复现。

▍卓越评测性能：更贴近人类主观感知