祝贺AtomBrain相关论文入选IROS 2026！原力无限世界模型再获关键验证｜IROS 2026

来源：原力无限INFIFORCE

链接：https://mp.weixin.qq.com/s/-SarwRRxSJJXKJj1vByBpQ

近日，原力无限具身大脑AtomBrain相关论文《AtomVLA: Scalable Post-Training for Robotic Manipulation via Predictive Latent World Models》正式被IEEE/RSJ International Conference on Intelligent Robots and Systems（IROS 2026）收录。论文地址：https://arxiv.org/abs/2603.08519

IROS是机器人与智能系统领域公认的国际顶级学术会议之一，AtomVLA能够入选，是对论文技术创新与实验结果的直接认可，也是原力无限围绕持续学习VLA与世界模型推进具身大脑研究的又一次国际学术验证。

01

VLA越来越强，为什么仍然容易失败？

VLA模型是当前具身智能领域最受关注的技术路径之一：它让机器人能够根据语言指令和视觉观察，直接生成相应的动作。

但VLA模型在实际落地中，长期面临两个棘手问题。

第一，长程任务容易失败。任务步骤越多，模型累积误差越大，机器人越容易在中间某一步偏离正确路径，且往往无法自我纠正。

第二，后训练成本极高。要让VLA模型在真实场景中变得更可靠，通常需要依赖强化学习进行后训练，而强化学习又依赖大量真机试错——每一次试错都意味着真实的时间成本、硬件损耗和安全风险。如何以更低成本、更安全、更可规模化的方式完成VLA后训练，至今仍是行业面临的重要问题。

AtomVLA正是针对这两个问题给出的解法。

02

AtomVLA：两阶段框架 + 预测式世界模型

AtomVLA提出了一套两阶段的可扩展后训练框架。

第一阶段：用大语言模型做任务分解，强化指令 grounding。

面对一条高层任务指令，模型先通过LLM将其拆解为更细粒度的子任务序列。这一步针对的是VLA模型长期存在的“指令理解粗糙”问题：机器人不再笼统地朝着一个模糊目标行动，而是先明确当下这一步具体要做什么，再执行动作，从而减少高层指令过于笼统所带来的执行偏差，为长程任务提供更明确的阶段性目标。

第二阶段：用预测式潜在世界模型（Predictive Latent World Model）评估候选动作序列，驱动离线后训练。

这是整篇论文最核心的创新。团队训练了一个世界模型，让它像“虚拟裁判”一样，在潜在空间中预演不同候选动作序列可能带来的结果，并据此生成评价与奖励信号，再通过GRPO（Group Relative Policy Optimization）离线强化学习优化VLA策略。这样一来，机器人不必在真实环境中逐一尝试所有候选动作，也能学习“哪种动作更好”，从而减少在线强化学习对真机反复试错的依赖，让VLA后训练更低成本、更安全，也更具规模化潜力。

03

97%与48%：从标准基准走向更难的开放环境

AtomVLA在LIBERO基准测试中取得了97%的成功率，在难度更高、更贴近开放世界分布的LIBERO-PRO基准上取得48%的成功率。同时，团队在真机环境中做了进一步验证，尤其是在可变形物体（deformable objects）的操作任务上——这类任务因为物体形变不可预测、接触反馈复杂，历来是机械臂操作中公认的难点，AtomVLA展现出了非常强的鲁棒性和泛化能力。

这些结果说明，利用世界模型为离线后训练提供评价信号，不只是一个理论设想，而是能够切实改善VLA模型在长程任务、分布变化和真实操作中的表现，也为减少昂贵的在线真机试错提供了一条可行路径。

04

具身大脑AtomBrain

AtomVLA解决了VLA后训练中的一个具体问题；但放到AtomBrain的整体技术体系中，它所验证的，是世界模型开始真正参与机器人学习。

在AtomBrain的技术路线中，Ego原生让机器人拥有属于自己的第一人称经验；持续学习让这些经验能够不断积累，而不是一次训练之后便停止成长；随着经验不断增加，模型开始从大量交互中涌现出对动作、环境与结果之间因果关系的理解（形成因果涌现），并逐步形成能够预测未来状态的隐式世界模型。

基于这一统一框架，原力无限持续推进具身大脑关键能力的研发：AIM提升机器人对交互位置与交互方式的理解；HiMem-WAM增强长程任务中的记忆保持与失败恢复；AtomVLA进一步验证预测式世界模型参与VLA后训练的可行性。它们并不是彼此独立的研究成果，而是在共同推动具身大脑AtomBrain从感知、记忆、预测到决策不断演进，逐步形成统一的具身智能基础模型。

目前，AtomBrain正围绕Atom-0、Atom-0.5、AtomWM-0等模型持续演进，逐步构建覆盖Ego原生数据预训练、持续学习、因果涌现、隐式世界模型以及世界—动作联合建模的完整技术体系，并持续向AD、UD、小原子、FORCE等不同机器人本体迁移。这也是原力无限始终坚持”一脑多身多场景”技术路线的底层支撑。

AtomBrain相关论文入选IROS 2026，是AtomBrain技术路线再次获得国际顶级学术会议认可的一次阶段性验证。对原力无限而言，一篇论文所验证的是具体方法，AtomBrain所承载的则是一条通向具身通用智能的技术路线。原力无限将持续推动具身大脑从研究走向系统能力，使其能够支撑不同机器人、适应不同场景，并在真实世界中不断进化。