Итоговые результаты конкурса WorldArena 2.0, который проходил в рамках IROS 2026, продемонстрировали, что различные подходы к построению моделей мира успешно справляются с разными типами испытаний. WorldArena представляет собой бенчмарк, разработанный командой Университета Цинхуа совместно с университетами из Китая и других стран. Версия 2.0 расширила функционал с визуального ввода до визуотактильного, от задач офлайн до онлайн-обучения с подкреплением, а также от симуляции до работы с реальными роботами, как сообщило издание Leiphone.
Конкурс включал три независимых трека с общим призовым фондом в размере 7000 долларов США, и окончательные результаты были опубликованы 16 сентября.
Результаты первого трека
Первый трек оценивал способность модели прогнозировать видео по 15 метрикам в рамках 70 заданий. Эти задания включали 50 сцен в пределах распределения на белых столах и 20 сцен вне распределения с цветными или текстурированными поверхностями. Среди 81 ранжированной модели, модель WorldIncept от Visincept заняла первое место с показателем 72.33, опередив BWM-Turbo от команды пространственного интеллекта Университета Тонцзи на 71.49. Разница составила всего 0.84 балла. WorldIncept показал лучшие результаты по соблюдению физических законов, точности 3D и семантическому соответствию, тогда как BWM-Turbo лидировал по согласованности фона и сходству JEPA. При этом Visincept явно использует подход JEPA.
Победа Zhongguancun Academy во втором треке
Второй трек, представленный в этом году, использовал модель мира в качестве среды для онлайн-обучения с подкреплением в задаче по регулировке бутылки на роботе RoboTwin 2.0, после чего обученная политика тестировалась в симуляции. Модель MW2 от Академии Чжунгуаньцзунь завоевала победу со счетом 72.93 среди 47 моделей, опередив TTWM, которая является конкурсной версией причинно-следственной модели мира, ориентированной на JEPA, от другого стартапа. Команда, занявшая второе место, отметила, что обучение в своей модели повысило частоту успеха политики pi0.5 с 55.46% до 72.40%.
Xiaomi побеждает в треке с реальными роботами
Третий трек, также новый, проводился на реальных роботах AgileX с двумя руками и Franka Panda. Его задачи, включающие визуотактильные операции, такие как подбор чипов, очистка огурца и вставка вилки, а также задачи, основанные только на зрении, включая протирание столов, наливание воды и складывание одежды. Модель ViTacX от команды MiRobot компании Xiaomi одержала общую победу со счетом 76.64. Ее преимущество было обусловлено подранжированием, основанным только на зрении, где она возглавила список с результатом 85.00, включая идеальные оценки по трем задачам. В подранжировании, основанном на визуотактильных задачах, она заняла третье место с 66.67, в то время как OmniFlow от Шанхайского технологического университета занял второе место в обоих подранжированиях.
Организаторы подчеркнули, что участие в каждом треке было добровольным, поэтому пока не было продемонстрировано, что какая-либо одна модель превосходит остальные одновременно в генерации видео, обучении политик и манипуляции реальными роботами.