三项满分、一项 37.1：PrimeSim 把视频模型改成仿真器，指标该看哪一层

11 月 4 日，启元具身研究中心发布世界模型仿真器 PrimeSim。它基于预训练视频生成模型，经过「中训练 + 后训练」两阶段改造，目标是替代传统物理仿真器，用来训练机器人操纵策略。权重、推理代码、训练代码将在 11 月 6 日开源。

发布材料的成绩很密集：EWMBench 综合 6.09 位列榜首，分项 HSD、nDTW、BLEU、CLIP、Logics 五项均第一；WorldSimProbe 五项里三项登顶；策略成功率与传统仿真器的相关系数 0.99；单卡 A100 推理 10.12 FPS。

这些数字都是真的。但它们回答的不是同一个问题，而且离"这东西能不能用"的距离差得很远。

这篇做一件事：把 PrimeSim 公布的指标按"离最终用途有多远"分四层摆开——视觉观感、动态保真、策略排序、增益迁移。每层标注它到底证明了什么、没证明什么。四层看完，那三个 1.000 和一个 37.1 各是什么分量，自然清楚。

先给结论：这三个 1.000 的区分度接近零，而那个 37.1 揭示的是整个赛道的集体短板，不是 PrimeSim 一家的问题。

一、它是怎么从视频模型改过来的

理解指标之前先理解改造路径，否则容易把"视频生成"和"仿真器"混成一件事。

原生视频生成模型是双向的：给一段完整文本或图像序列，一次生成整段视频，前后帧可以互相看。仿真器必须因果且自回归：只能基于过去推未来，一步一步往下滚。

把这个转换拆成两段。

中训练：从通用视频模型变成机器人世界模型

用 30110 小时精选机器人演示数据，覆盖人形、双臂、单臂、手持 UMI 设备共 22 种异构平台。三项核心设计：

后训练：让它可以一直滚下去

自回归的难点在于，模型要基于自己上一步不完全精确的预测继续推演，误差会累积；而原生视频模型只在固定长度的真值上下文上训练过。三项机制：

改造后的结果是：超过固定训练上下文窗口后仍能稳定推演，最长支持两分钟以上连续 rollout。

注意"两分钟"这个上限。 它比原生视频模型的几秒长得多，但距离"一个完整操作任务从开始到结束"还有多远，取决于任务。这个数字后面第八节还会提到。

二、团队自己划的三道坎

比指标体系更值得注意的是，发布材料里有一段话，主动把"视觉逼真"这条最有说服力的卖点否掉了：

仅依靠视频生成模型实现"视觉逼真"尚不充分，作为仿真底座，还需严格服从策略输出的动作指令、保持多相机视角间的几何与语义一致，并在远长于训练上下文窗口的时间跨度内维持状态连贯。

三句话，三道约束，而且团队自己承认"现有的通用世界模型大多只能满足其中一到两项"。

这个自我限定值钱。它把评价标准从"画面像不像"抬到了"物理响不响应、几何对不对、时间稳不稳"。

而三道约束与前面的三项设计基本是一一对应的：

一致性说明这套东西不是拼出来的。但也要看清：设计能对上是"有解"，不等于"解得够好"。 解到什么程度，要看指标。

三、数据先算一遍

30110 小时这个数字很唬人，但它可以拆开核。

【推算】按官方公布的平台占比反推：

16.5 + 5.5 + 4.1 + 4.0 = 30.1，与"30110 小时"对上。再看人形占比：16.5 ÷ 30.1 = 54.8%，与官方数字完全一致。

真实与仿真比例上，正文说"真实世界数据占比 84%“，图注写"85 : 15”，差一个百分点，属于四舍五入口径。整体自洽。

这组账能对上，说明数据构成是可核的——这在"我们用了 XX 万小时数据"这种表述里并不常见。

但数据分布本身就是一条选型判据。 人形占 54.8%、双臂 18.3%，两者合计超过七成；单臂只有 13.3%。这意味着：

统一动作表征里编进了"底盘"这一项，说明架构上留了移动平台的口子；但数据里没有四足这个类别，架构留口 ≠ 数据覆盖。这就是为什么"跨本体"这三个字要配着数据分布一起读——它泛化的是"控制信号的编码方式"，不是"任意形态的运动学"。

【推算】再把 30110 小时换算成体量：约 1255 天，等于一台设备 3.4 年不间断录制；官方另一处给的总量是 2.38B 帧、2.8M episode、1773 个仓库。平均每个 episode 约 850 帧，按 30fps 算约 28 秒——这个长度和"两分钟连续推演"的上限在同一量级，说明长时推演确实是这套数据没覆盖到的区域，所以需要后训练专门去补。

四、第一层：视觉观感（三个 1.000 的区分度接近零）

EWMBench 的分项如下，五项全部第一：

一个基准上五项里三项打满，只有两种可能：要么模型强到把指标顶到了上限，要么这三项指标的度量方式本身已经饱和。

判断是哪一种，看 BLEU 就够了。0.570 说明这个基准并非所有分项都容易拿高分——如果 HSD、nDTW、Logics 也和 BLEU 一样难，不可能三个同时精确等于 1.000。

三个 1.000 不能用来比较模型，只能用来确认"这一项没失分"。 真正有区分度的是 BLEU 0.570 和 CLIP 0.954。

这不是 PrimeSim 的问题，是这个基准的问题：任何指标一旦被顶到 1.000，它对后续模型的排序能力就归零了。 看到满分，第一反应应该是"这个指标到顶了"，而不是"这个模型完美了"。

EWMBench 的综合分更有参考价值：PrimeSim 6.09，高于 GE-Sim（LTX）的 5.82、GE-Sim（COSMOS2）的 5.79、Thinker-WM 的 5.03、EnerVerse-FT 的 4.70、Qwen-RobotWorld 的 4.60。综合分是聚合后的，还能分出差距。

但综合分有个前提没披露：五项的权重怎么分配。 如果 HSD 这类饱和项权重高，综合分的区分度会被稀释。这一条属于未披露。

五、第二层：动态保真（三项登顶，两项没登）

WorldSimProbe 是更有信息量的那个基准。它基于 LIBERO 设计五套评测，官方说法是"刻意剥离视觉观感、任务成功率的干扰，聚焦仿真器本身的动态保真度"。

这句话本身就是方法论上的进步——它明确把"画面好不好看"和"任务成功率"排除了。 而这两个恰恰是最容易被用来充数的指标。

五项结果：

官方说"3/5 dimensions lead"，这个表述是准确的。但读者容易读成"五项全面领先"。

两项没登顶这件事本身不是问题——LingBot-VA 在 T1 上 77.0 领先 6.8 分，ZIBRA 在 T4 上 87.5 领先 1.8 分，各有擅场，很正常。问题是 T5。

T5 交互动力学的 37.1 是五项里绝对值最低的，而它是这一维的全球最高分。

把七个模型的 T5 排一排：

七个模型，全部落在 22.4 到 37.1 之间。第一名也只有 37.1，第七名 22.4——这一维不是某家做得差，是整条神经仿真器路线都没做好。

对比一下其他四维的分数区间：T1 是 54.0–77.0，T2 是 41.5–67.9，T3 是 47.9–72.3，T4 是 57.8–87.5。都在 40 以上起步。只有 T5 从 22 起步，且全部低于 40。

"交互动力学"测的是什么？ 是施加一个动作之后，环境/物体给出的响应是否符合物理直觉——推一下瓶子它会不会倒，按一下软物它会不会凹，抓住一端另一端会不会跟着动。这恰好是视频生成模型最容易糊弄过去的地方：画面可以很连贯，但接触力学的响应可能是"看起来对"而不是"算得对"。

所以 37.1 这个数要这么读：它是一个集体短板上的领先，不是一项能力上的达标。 如果你要用这个仿真器训接触密集的任务（布料、柔性物、多物体堆叠、精密装配），T5 才是你最该盯的那一维，而它现在全行业都在 37 分以下。

六、第三层：策略排序（r = 0.99 才是毕业证）

前两层指标测的都是"仿真器自己像不像"，第三层开始测"它的判断和真环境一不一致"。

这是仿真器存在的唯一理由。你在仿真里比较十个策略，选出最好的那个搬到真机——如果仿真里排第一的策略在真机上排第五，这个仿真器再像也没用。

仿真器的毕业证不是画面，是排序。

官方这组实验设计得很标准：8 个 OpenVLA-OFT 策略，基线仿真器成功率区间 29.3%–85.0%（跨度 55.7 个百分点，足够拉开区分度），300 个共享初始状态。

结果：

r = 0.99 是这份发布里最硬的一个数，而且有对照组——Wan2.2-FT 的 0.91 说明这个测试本身有区分度，不是谁来都能拿 0.99。

8 个策略 × 300 个初始状态 = 2400 个数据点，样本量足够支撑这个相关系数。平均绝对误差 2.8 个百分点，意味着两个仿真器给出的成功率预测平均只差 2.8 个点——在成功率 29% 到 85% 的跨度上，这个误差可以接受。

但这一层的证明边界也要划清楚：

• 它证明的是"与 LIBERO 原生仿真器一致"，而 LIBERO 本身是物理仿真器，不是真机。所以这一层严格说是 sim-to-sim 一致性，不是 sim-to-real。
• 相关 0.99 只说明排序一致，不说明绝对值一致。如果两个仿真器都系统性地高估 10 个百分点，相关系数依然是 0.99。
• 策略只有 8 个，且都是 OpenVLA-OFT 系列。换一批架构不同的策略，排序一致性是否还成立，属于未披露。

这一层是四层里最该看的，也是最该被追问的——如果哪天有团队做出 sim-to-real 的策略排序一致性，那才是这个方向的真正里程碑。 目前公开的最好证据还停在 sim-to-sim。

七、第四层：增益迁移（那个 11.5%）

最后一层比排序更进一步：不只看排序对不对，还看在它里面训出来的东西，搬出去有没有用。

团队直接在 PrimeSim 内部对 OpenVLA-OFT 做 GRPO 强化学习，每轮采样 512 条 episode，共 200 轮更新。结果：

两个数几乎相等（差 0.3 个百分点），这件事本身就是证据：在神经仿真器里拿到的增益，和搬回物理仿真器后拿到的增益基本无损。 如果迁移有损耗，第二个数会明显低于第一个。

这是四层里唯一一次触及"训练价值"的实验，也是这套东西真正想证明的东西——不是"我能模拟"，是"在我这里训练有用"。

边界同样要写清：

• 只在一个策略架构（OpenVLA-OFT）上验证，没有跨架构复现。
• 只做了一组超参（512 episode × 200 轮），RL 对超参极敏感，换设置结论可能变。
• 基线是 LIBERO 原生仿真器，不是真机。离"在真机上也能涨 11.5%"还隔着一层。

八、工程账：10 FPS 与 100 步迁移

最后看两个决定它能不能进生产流程的数。

速度。 RoboTwin 2.0 留出集、单张 A100：

整体提速约 9 倍，代价是 PSNR 从 26.15 掉到 24.87（约 1.3 dB）。官方选择用 DMD 把 LPIPS 拉回来一部分，这是标准做法——在感知指标上补，比在像素指标上补划算。

推理配置是单卡 A100-80GB、三视角、单图 288×384、一次预测 32 帧、4 步去噪，得到 10.12 TempFPS / 30.35 ViewFPS。横向比较是 GE-Sim 2.0 的 4.5 倍、Ctrl-World 的 11.6 倍。

但"替代传统仿真器"这句话要打个折。 这里有个量纲问题：

两者不是一个量纲，直接比"快慢"没有意义。10 FPS 意味着生成 1 秒视频要 0.1 秒；而物理仿真器跑 1 秒物理时间可能只要几毫秒。

所以更准确的定位是：它不是"替代"物理仿真器做大规模并行 RL，而是"补上物理仿真器缺的那块"——真实感的视觉输入、柔性物与接触的近似响应。 合理的用法是分层：用物理仿真器做海量粗筛，用神经仿真器做少量高保真复核。

这个判断和官方"替代"的说法有出入，但和它自己的实验设置是一致的——那 200 轮 GRPO 采样 10 万级 episode，是在可控规模内做的，不是"替代"级别的量。

迁移成本。 适配新本体只需百级梯度更新：

对照组是"仅经过通用预训练的模型"——2000 步更新后仍无法产出可用效果。差 10–20 倍。

有个案例值得单独说：AgileX Piper 场景里，布料、相机位姿、场景全部未出现在训练集中。零样本推演时，密集接触的布料形变会快速漂移；单卡 A100 上不到 3 分钟、200 步微调后，布料形变跟随动作指令，多视角状态保持一致。

这个案例同时暴露了两件事： 跨本体泛化是真的（200 步就够），但零样本在接触密集场景会失败——和 T5 只有 37.1 说的是同一件事。两处证据互相印证，可信度就高了。

九、11 月 6 日开源后，先跑什么

权重和代码 11 月 6 日开源。拿到之后建议按这个顺序验，每一项对应上面的一层：

第 4 项最关键。官方四层证据里，前三层都成立，第四层仍停在 sim-to-sim。 你的场景能不能用，最终要看真机。

还有两条要提前问的：

• 任务类型分布：官方数据里"家务抓放"占 18.5%、"关节物体操作"占 9.5%、“精密插装"占 8.7%。如果你的场景落在"布料折叠”"长时程活动"这些占比不到 5% 的类别里，T5 的短板会更明显。
• 许可条款：权重开源不等于可商用，开源当天的许可文本要自己看。

十、关键要点

1. 三个 1.000 的区分度接近零。 HSD、nDTW、Logics 同时精确等于 1.000，说明这三项已经饱和。真正有信息量的是 BLEU 0.570 和 CLIP 0.954。指标一旦顶到满分，它就失去了给后续模型排序的能力。

2. "五项三冠"是准确的，但两项确实没登顶。 T1 局部校准排第四（LingBot-VA 77.0 领先 6.8 分），T4 交互接地排第二（ZIBRA 87.5 领先 1.8 分）。各有所长，不是问题。

3. T5 = 37.1 是全场最高，也是五项里绝对值最低的。 七个模型的 T5 全部落在 22.4–37.1，其他四维都从 40 以上起步。这不是 PrimeSim 的短板，是神经仿真器整条路线的集体短板，而它恰好对应接触力学——视频模型最容易"看起来对、算得不对"的地方。

4. r = 0.99 是这份发布里最硬的数，也有对照组。 8 个策略 × 300 个共享初始状态，与 LIBERO 原生仿真器的策略成功率相关系数 0.99、MAE 2.8；对照 Wan2.2-FT 只有 0.91 / 8.3。有区分度，说明这个测试不是谁来都能过。

5. 但 0.99 严格说是 sim-to-sim，不是 sim-to-real。 LIBERO 是物理仿真器，不是真机；相关系数只证明排序一致，不证明绝对值一致；8 个策略都是同一架构系列。这个方向的下一个里程碑是真机的排序一致性，目前公开的最好证据还没到那一步。

6. GRPO 那组 +11.5% / +11.8% 的价值在于两个数几乎相等。 差 0.3 个百分点说明增益迁移几乎无损——在神经仿真器里训出来的提升，搬回物理仿真器还能留住。这是四层证据里唯一触及"训练有用"的。

7. "替代传统仿真器"要打个折，因为量纲不同。 物理仿真器每秒数万环境步、可并行数千环境；PrimeSim 是单卡三视角 10 FPS 画面生成。合理定位是分层配合：物理仿真器做海量粗筛，神经仿真器做少量高保真复核。

8. 9 倍提速是用 1.3 dB PSNR 换的，但通过 DMD 把感知质量拉回来了。 PSNR 26.15→24.87，LPIPS 0.193→0.176。在感知指标上补比在像素指标上补划算，这是标准做法。

9. 数据分布就是选型判据：人形 54.8% 加双臂 18.3% 超过七成，单臂只有 13.3%，四足与轮式未列入四个主类。 架构的统一动作表征里编进了「底盘」这一项，说明留了口子，但架构留口不等于数据覆盖。跨本体泛化的是「控制信号的编码方式」，不是「任意形态的运动学」。

10. 30110 小时数据可核。 16.5K + 5.5K + 4.1K + 4.0K = 30.1K，人形 16.5÷30.1 = 54.8%，与官方完全吻合。平均每个 episode 约 850 帧（约 28 秒），和"两分钟连续推演上限"同量级——说明长时推演确实是数据没覆盖的区域，所以要用后训练专门补。

11. 跨本体泛化是真的，零样本接触场景不行。 新本体 100–200 步微调（对照组 2000 步仍不可用），但 AgileX Piper 的布料场景零样本会漂移。这和 T5 只有 37.1 是同一件事的两处证据，互相印证。

12. 拿到权重后必测真机迁移。 官方四层证据前三层成立、第四层停在 sim-to-sim。你的场景能不能用，只能自己把仿真里最好的策略搬上真机看。