你让机器人把杯子推到托盘里。它如果只预演一种结果，看到的可能只是“杯子大概向前移动”；但现实里，机械臂的姿势、杯子的位置，甚至杯子有没有被碰到，都可能不同。更有用的做法，是让机器人先想出几种未来，再比较哪一种最接近真实结果。
FutureWorlds做的正是这件事。它把机器人世界模型——一种学习“采取动作后，环境会怎样变化”的模型——从预测单一路径，推进到构造、保存并比较多种替代未来。论文的关键不只是“多生成几个视频”，而是把不同未来之间的质量差异变成训练信号。
本文数字与效果均来自Hao Wu等人的FutureWorlds论文及同项目代码，尚无第二个独立信源交叉验证；论文以arXiv预印本发布，材料未说明是否经过同行评审。
多想几条路，还要彼此真不一样
FutureWorlds建立在多模态离散自回归模型上。“多模态”指模型同时接收画面、机器人动作和可选的语言指令；“离散自回归”可以理解为视频版接龙：模型把画面变化压缩成一串离散符号，再逐个预测后续符号。已经生成的结果会成为下一步的依据，因此前面的小错误也可能一路累积。
传统的监督训练主要让模型照着记录过的真实轨迹学习。训练时，它总能看到正确的历史画面；实际预测时，它只能接着自己生成的画面往下走。这种落差容易让机械臂逐渐偏离正确姿势，物体位置也越预测越不准。
于是，FutureWorlds在强化学习阶段使用diverse beam search，即“多样化束搜索”。普通beam search不会只保留一条预测，而会同时展开若干高分路线；多样化版本还会惩罚候选之间的重复，避免四条路线看起来几乎一样。
论文的设置是四个搜索组，每组保留两条分支，最后每组产出一条轨迹用于比较。这样得到的候选既不能离模型认为合理的区域太远，又要有足够差异。否则，多生成几条近乎相同的未来，并不会提供多少新的学习信息。
每条未来都得带着自己的记忆
分叉之后，麻烦随之而来。假设一条预测里杯子已经向左滑，另一条里杯子仍在原位。模型继续生成时，必须分别记住这两段历史。如果用错上下文，就像拿甲路线的地图去评价乙路线，比较结果不再可靠。
FutureWorlds因此给每个候选配一份有上限的独立记忆。记忆保留初始场景、一个状态锚点，以及最近若干次预测和对应动作；旧内容在超过容量后退出上下文。搜索分支被重新排序时，它们的记忆也跟着移动。
更重要的是，模型生成某条未来和计算这条未来的训练分数时，使用的是同一份历史。论文把这种做法称为candidate-specific bounded memory，即“候选专属的有限记忆”。有限意味着显存开销不会随预测长度无限增长；专属则保证每条分支都沿着自己的世界继续走。
比完以后，怎样让模型学会
论文提出MemSPO，全称是Memory-Conditioned Search-Guided Policy Optimization，可译为“记忆条件下、由搜索引导的策略优化”。它先把候选符号解码成视频，再根据像素误差和感知距离给完整轨迹打分。
这里的感知距离以LPIPS衡量。它比较两幅图在视觉特征上的差异，数值越低，表示预测与真实画面越接近。MemSPO不把某个分数孤立地当答案，而是在同一输入生成的一组候选内部比较：哪条相对更好，哪条相对更差。它再把这种相对优势分摊到轨迹中的符号上，更新世界模型。
真实未来画面只用于计算奖励，不会被塞进候选记忆。换句话说，模型确实要靠自己生成的历史走完全程，然后再拿结果与真实轨迹对照。论文同时承认，候选由搜索产生，而非严格从当前策略独立采样，因此这种训练是“搜索引导的替代目标”，不保证得到无偏的在线策略梯度。
数字说明了什么
研究者在RT-1、BridgeV2和RoboCasa三个数据集上评测了真实与模拟环境中的机器人操作。每个数据集使用128条固定的留出轨迹，比较32帧预测。FutureWorlds在三项画质指标上都领先表中基线。
最直观的是LPIPS。相对各数据集该指标上最强的基线，FutureWorlds在RT-1、BridgeV2和RoboCasa上的LPIPS分别降低14.78%、20.84%和9.12%。这是相对降幅，不能理解为绝对下降了相同数值，更不能直接等同于机器人任务成功率提高。
只看后训练阶段，200次MemSPO更新后，在固定解码与记忆配置下，32帧LPIPS相对普通GRPO分别降低9.98%、1.58%和2.17%。GRPO是一种在同组候选中计算相对奖励的强化学习方法；这里的对照说明，加入多样化搜索和匹配历史后，优势不只是来自“做了强化学习”。
记忆消融也很关键。研究者固定模型权重和解码方式，只改变保留的历史。与不保留历史记忆相比，完整记忆使三个数据集32帧预测的均方误差分别降低40.83%、57.69%和29.22%。其中最近历史贡献最大，初始锚点带来较小的额外收益。
运动评测给出了另一层证据。相对监督训练版本，FutureWorlds在三个数据集上的光流误差分别降低12.40%、4.57%和16.68%。光流描述画面中物体如何移动；这组结果表明，改善不只体现在纹理更像，也涉及机械臂和物体运动更接近真实轨迹。
为什么值得关注
这项工作的变化看似朴素：不要让世界模型只复述一条未来，而要让它主动制造可比较的分歧。真正有价值的是三件事被连到了一起：候选要有差异；每个候选要保留自己的历史；比较结果还要能反过来训练生成模型。
这让“反事实”第一次成为更具体的学习资源。这里的反事实，就是问“从同一局面出发，如果未来以另一种方式展开会怎样”。FutureWorlds目前固定动作序列，比较的是同一动作条件下不同的场景演化假设；它还不是让机器人自主试遍不同动作。但从单一路径拟合走向多未来比较，确实改变了世界模型从自身预测中学习的方式。
代价也很清楚。论文报告，在BridgeV2的资源测试中，模型含视觉编解码器共有0.257B参数，峰值显存1.89 GiB；但束搜索生成一次32帧轨迹需26.76秒，而iVideoGPT为4.14秒。多条未来提供了更丰富的信号，也带来了明显延迟。
局限与未知
- 现有证据主要是离线视频预测指标。论文把闭环规划和真实机器人控制验证列为未来工作，因此还不能据此断言机器人执行任务会更成功。
- 论文展示了超出训练时域的继续预测，但材料没有给出可靠外推的具体长度、失败案例或更长时间后的退化速度。
- 结果来自同一项目团队。虽然论文报告了固定轨迹、消融实验和资源测量，仍需独立复现；束搜索的26.76秒延迟也限制了实时使用。