你让机器人倒一管液体。它先“想象”接下来会发生什么，刚准备动作，容器却被碰歪了；相机、触觉和控制器又各按自己的节奏更新。如果机器人必须停下来重算整段未来，它会反应迟缓；如果照旧计划执行，预测很快就会过时。InternW0要解决的正是这个问题：让世界模型边想边做，并用不断到来的新观测修正下一步动作。
这是上海人工智能实验室 InternW 物理世界模型系列的首个实例。所谓物理世界模型，就是从观察和动作中学习环境如何变化，让机器人能在内部预想“这样推一下，东西接下来会去哪”。研究团队进一步要求这种预想及时影响正在执行的动作，而不只是生成一段看起来合理的未来视频。
本刊此前介绍过联合预测环境变化和机器人动作的 OpenWAM，也讨论过不同步的传感器为何会破坏常见世界模型的假设。InternW0承接了这两个问题：同一个系统怎样在持续变化、信息并不齐全的现实环境里，同时预测与控制。
一套模型，两种节奏
InternW0把工作交给两个能力和速度不同的“专家”。高容量的 video expert 负责预测较长时间范围内的视觉变化；更轻量的 action expert 以更快的节奏生成连续机器人动作。两者采用非对称的 video–action 架构：视觉预测尽量保持通用，不直接读取特定机器人的动作标记或数据域身份；动作一侧则结合预测结果、最新画面、机器人自身状态、语言指令和特定机型接口来做决定。
它们通过 Flow Matching 联合训练。Flow Matching是一种训练生成模型的方法，可以理解为学习一条从随机状态逐步走向合理结果的连续路线。InternW0用它同时学习未来画面和动作序列，让“会发生什么”与“应该怎么做”共享表征，而不是两个互不相干的任务。
这种分工对应现实中的快慢节奏。相机、机器人状态、力和触觉不会同时刷新，控制也往往比完整的视频预测更频繁。InternW0采用异步多频处理：video expert较慢地更新长时预测，action expert则根据最新反馈连续生成短动作片段。第一份预测完成后，机器人可以继续执行，下一轮视频预测同时在后台计算。
不重画未来，而是修改它的用法
关键一步是：每次动作更新时，InternW0不重新生成完整未来。
video expert会留下逐层的 K/V——可以把它理解为模型处理预测内容时保留的中间线索。action expert复用这些线索，再通过 observation-conditioned context routing，也就是“由当前观测决定如何取用预测上下文”，为每个动作片段构造一份经过修正的视图。
具体来说，新画面先被编码成一组查询。它从缓存的预测中找出与当前状态有关的信息，再把这些信息送回原有视频位置，形成小幅残差修正。原始的长期预测不被覆盖；每个动作片段都根据刚看到的状态，得到自己的局部版本。
这像是拿着一张路线图前进。遇到临时障碍时，不必重新绘制整座城市，只需要按眼前路况调整下一个路口。这样既保留较长时域的方向，也避免机器人一直依赖已经过时的画面。论文把预测是否准确、是否与决策相关、是否来得及影响执行，并列为三个设计标准。
不同机器人，接入同一套骨架
机器人形态和控制方式差异很大。InternW0用领域专用的状态编码器、动作编码器与解码器处理这些差异，再给每个训练域配置 soft prompt——一小组可学习的提示信号，用来告诉共享模型当前面对哪类数据、机体和感知配置。缺失的输入通道会被置零并用有效性掩码排除，避免模型把“没有这个传感器”误解成“传感器读数恰好为零”。
预训练数据约为7,200小时，实际表中合计7,233.5小时、811,969段数据，来自七个数据集，覆盖真实机器人、仿真机器人和人类第一视角实验室视频。机器人动作和状态被映射到统一的37维表示；训练共划分25个域。数据采样按各域有效样本量的平方根加权，让大数据集获得更多机会，同时降低它们完全淹没小数据集的风险。
其中，团队采集的 EgoLab包含275.4小时、3,192段真实湿实验室第一视角视频，涵盖移液、称量、滴定、过滤、研磨、搅拌和清洗玻璃器皿等操作。它只提供视频监督，没有机器人动作标签。换句话说，这部分数据教模型观察实验过程如何展开，但不直接教它输出控制指令；带动作标注的机器人轨迹才同时训练 action expert。
接触不能只靠“看”
精细操作里，画面并不能说明全部情况。夹住没有、阻力多大、工具是否已经碰到容器，往往要靠力和触觉判断。InternW0因此加入 contact-aware post-training，即面向接触任务的后训练：action expert读取已有的力、触觉、视觉和机器人自身状态，同时预测动作以及接下来可能出现的接触反馈。
论文中的力学输出包含六个维度：三个力分量和三个力矩分量。历史信号告诉系统刚才发生了什么接触，预测信号则表示接下来可能承受什么载荷。团队强调，这些新增接口不需要改动共享的视频预测骨架。
评测覆盖仿真和真实科学任务。已披露的真实任务包括一套15阶段的金属有机框架合成流程，以及一套面向通用定量移液、包含5个阶段的接触与力感知灵巧操作。这里的15和5都是工作流阶段数，不是成功次数。
仿真部分包括单臂操作基准 LIBERO和50项双臂任务组成的 RoboTwin 2.0。论文对 LIBERO的40项任务各执行50次，并报告四个任务组的平均成功率。已给出的表格显示，InternVLA-M1平均为95.9%，GR00T-N1.7为96.9%；但供稿在 InternW0对应结果出现前截断，因此不能据此判断它是否领先这些对照模型。
为什么值得关注
InternW0真正有意思的地方，不是“视频生成得更像”，而是重新安排预测和行动的关系。长期预测负责提供方向，快速控制负责应对眼前变化，新观测则不断改变动作端读取预测的方式。它把世界模型从一次性生成未来画面，推进到持续交互中的可执行上下文。
这也解释了为什么实验室任务是一个合适的试验场：流程长、步骤多，移液等操作又高度依赖接触反馈。模型既要记得实验正进行到哪里，也要在工具与样品发生细微接触时及时调整。若这套快慢协作方式能够稳定工作，它瞄准的正是世界模型进入真实环境时最难绕开的门槛。
局限与未知
- 上述架构、训练数据和评测均来自研究团队论文，尚缺独立复现。论文所称“foundational”“universal and efficient”属于作者定位；仅凭现有材料不能把它们写成已经验证的普适性或效率优势。
- 供稿中的结果表不完整，无法获得 InternW0在 LIBERO及其他基准上的具体成功率，也不足以比较速度、精度、统计显著性或确定其是否领先。
- 论文展示了多种机器人数据、仿真任务和科学流程，但这些覆盖面还不能回答模型面对全新机体、意外扰动或长期连续运行时能否稳定泛化。