论文精读笔记：GeniWorld

1. 基本信息

• 标题：GeniWorld: A Generalizable Interactive World Model for Robotic Manipulation via Visual Actions
• 作者：Chenghao Gu、Hanyang Yu、Jingbo Zhang、Haitao Lin、Wenyao Zhang、Jinghe Wang、Hanglei Jin、Shuzhao Xie、Jingyan Jiang、Zhi Wang
• 机构：清华大学深圳国际研究生院、Tencent Robotics X、香港科技大学、深圳技术大学
• 论文版本：arXiv:2608.06332v1，2026-08-06；按预印本收录
• 一手来源：摘要与版本信息、全文及附录、官方项目页
• 开源状态：2026-09-12 核对时，官方项目页代码栏为 Coming soon；项目页源码不是模型实现
• 阅读模式：精读。以下区分论文报告、本站整理和我的分析，未执行模型训练或实验复现

2. 一句话定位

GeniWorld 将可由机器人几何和运动学直接计算的运动变成像素对齐条件，让预训练视频模型集中学习这种运动导致的环境响应，再以自回归生成支持交互式策略评测与数据生产。

最值得讨论的是 数值动作如何进入视频生成器，以及这种表示是否真能改善分布外行为建模；不是单纯更换视频骨干。

方法输入与输出

项目	内容（本站整理）
推理输入	初始 RGB / 历史观测上下文、语言和外部给定动作。动作通过机器人 URDF、运动学与标定相机渲染，再由 VAE 编码成干净的 visual-action latent；待生成观测从噪声开始。
最终输出	在给定动作条件下生成的未来 RGB 观测，可逐块自回归滚动。动作是输入而非输出；视频再供外部策略评测、交互或数据增强使用。
训练输入	时间对齐的机器人观测视频、语言和动作轨迹；动作渲染得到视觉条件，真实未来观测作为监督。训练先使用真实历史，再引入生成历史上下文。
训练目标	对观测 latent 加噪并预测其流场；视觉动作 latent 保持干净，不作为待去噪目标。模型学习动作导致的视觉变化，而不是从视频反求动作。
输出细节	observation latent 与 action latent 各 48 通道，拼接为 96 通道输入；最终解码为 $480\times640$ RGB。每个新块包含 3 个 latent 帧，不能把它当作 3 个动作步或物体 6D pose。
必要条件	需要机器人 URDF / 几何、正向运动学、renderer、相机内外参 / 手眼对齐；这些是构造条件的资产。物体 CAD、深度、mask 不是必要输入；数值动作到可渲染状态的细节需按机器人接口核对。

2.1 论文图表导读

图表	所在实验 / 模块	解读重点（本站整理）
Figure 1	总体用途	世界模型在策略与合成环境之间提供反馈
Figure 2	训练与推理	动作保持干净，观测加噪；因果生成并缓存历史
Figure 3	Clean-to-Random 定性对照	动作错误、无接触抓取和无关物体变化是不同失败类型
Table I	视频质量与动作条件消融	同域 / OOD 分开看，比较六种指标
Figures 4–5	训练收敛和少步采样	更多先验是否减少训练及推理难度
Figure 7	策略评测器	相关性支持但不能保证新策略排名可靠
Figure 9 / Table III	真实策略提升	五设置、四任务、每格 20 次，三套完整数据方案
Table II / Table IV	附录实现及任务协议	3 个 latent 帧一块；Progress 不是成功率

本页本地插图为作者项目页公开原图；Markdown 表格为本站整理，并非原论文表格截图。未本地展示的图表可在原文查看。

3. 问题设定与任务边界

3.1 世界模型与动作策略不是同一个函数

训练集由配对的观测和动作轨迹组成：

$$\mathcal D=\{\tau_i\}_{i=1}^{N},\qquad \tau_i=\{(o_0,a_0),\ldots,(o_T,a_T)\}.$$

给定当前观测和未来动作序列，原文用以下形式描述预测目标：

$$o_{t+1:t+H}=\mathcal W(o_t,a_{t+1:t+H}).$$

这是条件生成模型的记号，不表示世界的未来由单幅图像和动作唯一确定。模型以噪声采样产生视频，其潜在不确定性不能从这个简化等式中消失。

在闭环系统中，外部策略先产生动作，世界模型再给出后续画面，然后策略读取新画面继续决策。离线质量评测中可一次提供整条未来动作轨迹，而互动时只需逐段输入可用动作；两种运行协议应区分。

3.2 输入、先验与泛化边界

项目	论文设定	不应推断为
观测	初始 RGB 场景与自回归历史；语言提供任务条件	直接拥有完整物理状态
动作	数值动作经运动学渲染为机器人运动图像	模型自行规划并选择动作
机器人资产	URDF、机器人结构、运动学和渲染器	无模型或无几何先验
相机	渲染视角与真实相机对齐；真实平台执行手眼标定	不需要相机参数和坐标关系
场景资产	不显式重建目标物体及背景的完整几何	已保证所有环境动力学精确
OOD	新外观、新物体实例、新位置与任务相关布局	新机器人、新任务或任意新物理机制均可零样本
输出	未来视觉观测	对象 $R,t$、尺寸、分割、接触力或动作分布

它不是实例级 / 类别级物体位姿估计。真实 Novel instances 设置是同一功能类别内替换实例，不能直接写成未见类别泛化。论文也没有显式定义物体 pose 表示或对称姿态处理。

4. 研究脉络

4.1 从数值控制到像素对齐条件

原文讨论 Ctrl-World、IRASim、WorldEval、WorldGym 等动作条件世界模型：将关节或末端动作向量作为条件，让视频网络学习对应的运动和环境变化。

像素对齐路线则使用投影末端轨迹、骨架或机器人 mask / point cloud，降低动作到画面的映射难度。GeniWorld 使用稠密机器人渲染，强调较完整的几何结构有助于精细交互，而不是声称首次把几何条件送入视频生成器。

4.2 与相关路线的区别

路线	条件 / 输出特点	GeniWorld 的位置
数值动作世界模型	低维动作条件，生成未来观测	增加显式运动学与空间对应
EE / skeleton 控制	将少量点或骨架投影到图像	保留更稠密的机器人形状信息
URDF mask / point cloud 控制	提供机器人结构线索	强调渲染运动与视频 latent 的直接对齐
视频外观增强	固定动作轨迹上改变视觉外观	同时支持回放与交互产生新动作轨迹
Fast-WAM	当前观测到动作，部署省去未来生成	GeniWorld 的目标恰是生成动作造成的后果
Pose-VLA	以空间监督改善动作策略	GeniWorld 用已知机器人运动作为视频生成条件

这些路线之间有互补关系，但不能直接把它们的 FVD、策略成功率或推理延迟放到同一排行榜。

5. 研究动机

数值动作缺少显式图像位置。为了生成正确机器人运动，网络可能需要从固定场景中的相关性反推出相机、运动学和接触规律，容易依赖背景捷径。

作者提出将两部分解开：机器人运动由已知运动学产生，场景响应由视频模型学习。这不是严格的因果可辨识性证明，而是一种结构化归纳偏置。它成立的重要假设是：当前操作视频的主要环境变化由机器人运动驱动，且运动学渲染足够准确。

6. 方法详解

6.1 数值动作到视觉动作

对给定机器人，动作序列经过 URDF 与正向运动学，得到目标相机视角下的机器人渲染序列 $m_{t+1:t+H}$。世界模型写成：

$$o_{t+1:t+H}=\mathcal W(o_t,m_{t+1:t+H}).$$

渲染只提供机器人结构和运动，不提供被操作物体及背景外观。因此它预先解决了一部分“机器人怎么动”，却没有直接提供“物体会怎样被推动、抓住或折叠”的答案。

我的几何解释：为了使渲染机器人和观测像素对齐，关节状态到机器人表面、机器人到相机的变换、相机投影必须一致。这里的相机参数不是估计目标，而是条件接口的外部依赖。若策略输出的是末端动作而非关节状态，还要明确到可渲染机器人状态的转换；论文未给出所有控制接口的细节。

6.2 同一个 VAE，沿通道拼接

动作渲染与真实观测由相同的因果 3D VAE 编码：

$$z_a,z_v\in\mathbb R^{C\times L\times H'\times W'}, \qquad z=[z_v;z_a]\in\mathbb R^{2C\times L\times H'\times W'}.$$

其中 $L$ 是 latent 时间长度，$H',W'$ 是 latent 空间尺寸，方括号表示通道拼接。它不是把动作和视频当作两段独立序列首尾连接；同一时空位置的两种信息在通道维度直接对应。

附录具体设置为 $C=48$，输入从 48 扩到 96 通道。原有 3D convolution patch embedding 的前 48 个输入通道复制预训练权重，新增 48 个通道使用 Kaiming 初始化并缩放为 $0.1\times$；bias 沿用原值。

这样保留原视频生成通路，并以较小初始幅度注入动作条件。架构改动较小不等于训练全部只更新新增输入层；论文没有给出足够的冻结范围细节，不能自行假定为 adapter-only 训练。

6.3 Flow matching：只对观测加噪

设 $z_{t+1}$ 为下一段观测 latent，$s\in[0,1]$ 为流时间，$\epsilon\sim\mathcal N(0,I)$。原文 Eq. (1) 使用：

$$z_{t+1}^{(s)}=(1-s)\epsilon+s z_{t+1}, \qquad \dot z_{t+1}^{(s)}=z_{t+1}-\epsilon,$$ $$\mathcal L=\mathbb E\left[ \left\|v_\theta\left(z_{t+1}^{(s)},s,z_{\leq t}\mid z_{a,t+1},c\right) -(z_{t+1}-\epsilon)\right\|_2^2 \right].$$

$z_{\leq t}$ 为历史，$z_{a,t+1}$ 为对应动作条件，$c$ 为语言指令。只有观测 latent 被加噪并作为预测目标；视觉动作 latent 始终是干净条件。 这与同时生成未来视频和动作的 WAM 联合目标不同。

这里 $s=0$ 是噪声，$s=1$ 是数据。与 Fast-WAM 笔记中的另一种流时间约定恰好相反，复现时需让插值、速度目标和求解方向一致。

6.4 因果历史与生成反馈

模型开始用真实历史训练，随后将自身预测加入观测上下文，以减少 exposure bias。原文引用 Self Forcing，但没有完整给出阶段切换时间、生成历史占比及梯度策略，不能把引用等同于完全相同的训练实现。

推理采用 块间因果、当前新块内完整注意力：缓存之前 tokens 的 key/value，生成新块时读取历史。虽然正文有“只能关注先前 tokens”的概括，推理小节明确允许新块内部 self-attention，理解时不能误写成所有像素 tokens 严格逐个串行生成。

121 个原始视频帧经 VAE 压缩成 31 个 latent 帧；首帧单独作为一个 block，后续每次生成 3 个 latent 帧。这里的 latent block、物理动作步和解码视频帧是三个时间粒度，不应混用。

6.5 训练和推理参数

根据附录 A / Table II 本站整理：

参数	设置
骨干	Wan2.2-TI2V-5B
目标	自回归因果 flow matching
输入通道	视频 48 + 动作 48，共 96
学习率	$10^{-5}$
Global batch size	4
训练硬件	4 张 NVIDIA H20
噪声时间步配置	1000；noise schedule shift 5.0
颜色增强	对 GT 视频及初始帧以 $p=0.5$ 使用 color overlay
输出分辨率	$480\times640$
时间布局	121 pixel frames / 31 latent frames；每新块 3 个 latent 帧
CFG scale	3.0
比较的采样步数	50、10、5

1000 是噪声过程配置，不是每次推理必须执行 1000 次网络前向。论文没有完整列出总训练步数、优化器细节、精度模式和峰值显存，不能用硬件数推断训练总成本。

6.6 两种交互用途

策略评测：将待测策略的动作渲染后输入世界模型；模型输出的画面成为策略的下一观测。世界模型不仅要生成成功演示，也应忠实表现策略的错误动作，否则会高估策略能力。

数据生产：用图像编辑模型改变初始画面，再回放动作或由人类遥操作生成新轨迹。图像编辑器负责起始场景，不负责独立生成每一帧交互；时间一致性与动作响应由 GeniWorld 承担。

真实系统把 Xtrainer URDF 接入 Isaac Sim，并进行手眼标定和相机视角匹配。这里借助仿真器控制和渲染机器人，并非为所有物体建立了可信的物理仿真模型。

7. 实验分析

7.1 三类实验回答不同问题

实验	数据 / 流程	评价对象
世界模型质量	RoboTwin 2.0：50 任务，2250 Clean 训练轨迹，250 Clean / 250 Random 测试轨迹	按给定动作生成的视频
策略评测可靠性	相同 $\pi_0$ 检查点在世界模型和真实平台执行	两种环境下的成功率关系
数据增强价值	每任务 25 条真实示教，加不同合成轨迹，再训练策略并真实测试	下游策略的最终任务成功率

世界模型 OOD 评测每条序列 121 帧、24 fps，输入初始观测、语言和未来动作。Random 包含外观、实例、物体位置与任务相关布局变化，测试无需适配；“零样本”在此指目标分布没有额外适配，不是世界模型从未见过机器人操作数据。

真实四任务为 Move Bowl、Fold Towel、Place Mug、Open Drawer。收集真实训练数据时桌面保持干净，仅随机改变目标物体姿态。每任务 25 条示教在文中明确用于下游策略训练，不能据此断言真实世界模型的全部训练量也恰为 25 条。

7.2 指标及 FVD 口径提醒

指标	方向	反映什么 / 缺什么
PSNR	高好	像素误差；不能直接度量任务是否完成
SSIM	高好	图像结构相似性；不是接触动力学验证
LPIPS	低好	感知距离，附录使用 AlexNet backbone
FID	低好	帧级分布差异，附录使用 Inception-v3
FVD	低好	论文报告的视频级距离，具体提取器和聚合方式需核对
EWMScore	高好	按 WorldArena 协议报告的世界模型分数，不是百分比成功率
真实任务 success rate	高好	完整任务是否满足 Done 条件

复现警告：附录 B 将其 FVD 描述为对 Inception-v3 特征做时间均值和标准差拼接后计算 Fréchet distance。这一具体描述必须与待发布代码核对，不能只看到指标名称和引用就假定与其他论文完全同实现。本页原样保留论文的 FVD 标签和数值，只做本文同协议内比较。

此外，指标好看仍可能遗漏动作响应错误或物理不合理性。配对 PSNR / LPIPS、分布指标以及真实下游测试应合起来理解，不能以单个视频质量分数代替行为评估。

7.3 主结果：Clean-to-Clean

下表由原文 Table I 本站整理，保留论文数值精度。

方法 / 动作条件	LPIPS	PSNR	SSIM	FID	FVD	EWMScore
Ctrl-World	0.165	18.65	0.879	9.62	15.52	58.74
IRASim	0.323	13.26	0.801	42.98	48.98	48.83
EnerVerse-AC	0.378	10.89	0.780	40.35	54.28	52.92
同骨干 + numerical actions	0.3773	11.59	0.7836	42.69	48.03	57.69
同骨干 + EE trajectory	0.1848	17.17	0.8632	12.19	18.35	60.00
同骨干 + skeleton	0.1801	17.38	0.8609	12.49	18.82	60.04
ControlNet-style conditioning	0.094	23.99	0.927	8.82	12.36	59.26
GeniWorld visual actions	0.055	27.57	0.942	5.59	7.59	61.80

7.4 主结果：Clean-to-Random

同样来自 Table I，本站整理。所有方法使用相同训练划分，OOD 不微调；同划分不意味着所有外部模型的骨干、参数量和计算预算完全一致。

方法 / 动作条件	LPIPS	PSNR	SSIM	FID	FVD	EWMScore
Ctrl-World	0.285	20.41	0.791	21.66	35.85	51.47
IRASim	0.766	8.15	0.476	174.52	191.26	46.41
EnerVerse-AC	0.751	12.25	0.433	74.55	99.14	31.28
同骨干 + numerical actions	0.3659	13.74	0.6961	40.91	53.69	51.49
同骨干 + EE trajectory	0.3000	14.17	0.7158	37.69	45.89	61.36
同骨干 + skeleton	0.2568	18.48	0.7956	31.78	39.88	61.61
ControlNet-style conditioning	0.416	14.51	0.625	40.02	59.95	56.13
GeniWorld visual actions	0.144	22.71	0.873	13.08	20.15	63.54

GeniWorld 在表中两个设置的六项指标均占优；相对 Ctrl-World，OOD FVD 从 35.85 降至 20.15。但这里的结论范围是本文这些模型、数据和协议，不能直接写成当前所有世界模型的通用 SOTA。

7.5 消融与定性证据

对照	证据	我的判断
数值动作换成视觉动作	OOD FVD 53.69 → 20.15	支持显式空间条件的价值
EE / skeleton 换成稠密渲染	OOD FVD 45.89 / 39.88 → 20.15	支持更完整结构有帮助，但不同表示携带的信息量不同
ControlNet-style 换成直接拼接	OOD FVD 59.95 → 20.15	在该配方下更有效，不证明所有 ControlNet 实现都较差
比较训练收敛	Figure 4 的 $1-\mathrm{LPIPS}$ 曲线	支持更快收敛；仍缺完整 GPU 时成本对照
50 / 10 / 5 步采样	Figure 5；作者报告约 10 倍加速、FVD 约 2% 退化	采样更省，但不是任意分辨率、硬件下的端到端加速保证

作者报告数值动作在少步采样下的 FVD 退化约 22%，而视觉动作约 2%。这是生成质量相对于各自采样设置的变化，不是机器人成功率下降 2 个百分点。5 步、H20 上约 8 Hz 是交互推理速率；其与每块 latent 数、VAE 解码及底层机器人控制如何对齐，仍需代码和性能分解说明。

7.6 作为策略评测器：支持到什么程度

作者使用同一 $\pi_0$ 检查点，在真实环境与 GeniWorld 中以对应第一帧初始化，人工判断成功，并用 VLM 判断交互合理性。Figure 7 显示两种环境的任务成功率正相关，视觉干扰下 GeniWorld 比 Ctrl-World 更稳定。

我的分析：这提供了有用的可行性证据，但目前不足以宣称“替代真实评测”。应进一步关注预测误差、系统性高估、策略排序相关、失败动作的忠实再现，以及对未参与模型选择的新策略能否保持校准。本文文字没有完整列出相关系数、置信区间和所有检查点对应的逐项数据，本页不编造这些数值。

7.7 合成数据提升真实策略

三种完整可核对的数据方案如下，每个任务单独统计：

方案	真实轨迹	空间随机化合成	场景多样化合成	合计
Real	25	0	0	25
Real + Spatial-Gen	25	65	0	90
Real + Spatial-Gen + Diverse-Gen	25	65	65	155

Spatial-Gen 重点扩大目标位置覆盖；Diverse-Gen 包含更多场景、实例等变化。图像编辑器生成初始帧，回放或遥操作提供动作。所有策略从同一个公开 $\pi_0$ base checkpoint 初始化，通过 OpenPI 微调，保持训练配置一致，仅改变数据组成。下游策略动作 horizon 为 16，不要与世界模型每块 3 个 latent 帧混为一谈。

根据 Table III 均值 本站整理，单位 %：

方案	Standard	Spatial	Distractors	Novel inst.	Lighting	Overall
Real	72.5	37.5	33.8	30.0	30.0	40.8
+ Spatial-Gen	76.3	62.5	38.8	42.5	35.0	51.0
+ Spatial-Gen + Diverse-Gen	80.0	70.0	72.5	70.0	52.5	69.0

每种方案在 4 任务 × 5 设置 × 20 次 = 400 次真实试验中评估，每次重置环境。Mean 对四任务取平均，Overall 再对五设置平均。由显示值计算，总体提高 28.2 个百分点，光照设置仍只有 52.5%，可见泛化问题并未消失。

再看 Table III 的逐任务 Overall，避免平均数掩盖任务差异：

任务	Real	+ Spatial-Gen	再 + Diverse-Gen
Move Bowl	53	63	83
Fold Towel	32	42	59
Place Mug	43	54	73
Open Drawer	35	45	61

原表中 Fold Towel 的 Standard 在 Spatial-Gen 方案为 70%，完整方案为 65%，因此“完整方案总体最好”不意味着每一个任务和设置都单调改善。每格只有 20 次试验，单次成败就是 5 个百分点，论文未充分报告跨训练随机种子的方差。

原文分组不一致提醒：正文先写 four data regimes，却只编号列出三项；后文又引用单独 Diverse-Gen 的比较值。Figure 9 与附录 Table III 完整展示的是上面的三方案。因此本页以三方案完整表为主，不补造缺失的 Diverse-Gen 单独分组或每任务数据。

7.8 成功标准与失败分析

Table IV 的 Done 标准由本站摘要整理如下：

任务	完整成功需要满足
Move Bowl	将碗稳定放在指定目标位置
Fold Towel	完成上到下、右到左的两阶段折叠
Place Mug	通过杯柄抓取并将杯子稳定放在目标区域
Open Drawer	打开抽屉、放入 marker，并最终关闭抽屉

Table IV 的 Progress 是成功演示中阶段完成的平均归一化时间位置，不是阶段成功率。例如 Open Drawer 不只是把抽屉拉开；只完成前段不应算成功。

定性结果覆盖新实例、背景、干扰和光照变化，但缺少按遮挡程度、反光 / 透明材质、相机标定偏差、滑动摩擦或外力干扰的系统失败分层。世界模型中的“看起来抓住了”仍可能是无接触或不合理动力学，需要独立行为证据验证。

8. 批判性分析

8.1 贡献与证据对应

作者主张	对应实验	我的判断
视觉动作改善生成和 OOD 泛化	Table I + Figure 3 + 同骨干条件消融	证据较充分，限于给定场景划分
更有效利用预训练先验	收敛曲线和少步采样	与主张一致，但缺直接表征探针
可作为稳健策略评测器	Figure 7 的真实 / 生成成功率关系	可行性支持，尚需更广的新策略校准
生成数据改善真实策略	Table III，每方案 400 次真实测试	有直接下游证据，但数量、多样性和采集成本尚未完全拆分
可广泛应用不同机器人	运动学条件接口及现有平台实验	不足以证明任意 embodiment 零样本迁移

8.2 优点

利用已知机器人运动学，不让模型从有限场景里重新学习全部几何映射；动作与视频的像素对齐也适合视频骨干原有表征。实验从视频质量走到真实机器人行为，数据增强效果比纯生成展示更有说服力。

8.3 限制与隐含假设

运动学不等于动力学。 URDF 渲染准确描述机器人占据哪里，但接触力、摩擦、柔性变形和物体响应仍由生成模型近似，缺少守恒和接触求解的硬约束。

标定精度是隐藏的成本。 方法的空间对齐依赖真实 / 渲染相机及机器人状态一致；未测相机安装变化和标定误差，不能假定该接口天然鲁棒。

数据增加与表示质量没有完全分离。 25 条真实轨迹变成 155 条混合轨迹，收益同时可能来自数据数量、新场景、新动作和人工闭环修正。缺少相同预算增加真实示教、重复采样或其他合成方法的充分对照。

交互合成仍有人工和外部模型成本。 新行为由操作者参与生成，场景编辑借助额外图像模型；质量过滤、失败保留比例和总操作时长未完整报告。不能把“不搭建新物理场景”写成“零人工成本”。

评测器可能掩盖坏动作。 如果生成先验把不合理动作修饰成合理交互，策略会被高估；如果后续用该模型优化策略，还要防止策略利用模型漏洞。论文当前相关性实验没有完全排除这些风险。

9. 复现与待核实项

官方项目页提供演示和图片，但代码标为 Coming soon。以下是按论文组织的复现检查清单，不是已运行成功的操作指南：

1. 获取模型实现、checkpoint、动作渲染代码及具体 URDF；先核对相机内外参、手眼变换、关节顺序、角度单位和时间戳。
2. 验证同一时刻的视觉动作与观测像素对齐，确认条件不包含目标物体或未来场景的额外信息。
3. 实现 48+48 通道输入与指定权重初始化，并区分干净动作条件和带噪观测。
4. 核对块间因果 mask、块内 attention、VAE 历史状态、KV cache 长度及生成历史训练策略。
5. 固定 2250 Clean 训练与两个 250 测试划分，核对视频采样、预处理和所有指标实现，尤其 FVD 与 EWMScore。
6. 将视频质量、策略评测校准和真实策略提升分开复现；记录人工判定规则、生成失败样本、策略训练种子及真实试验数。

仍未在论文中充分明确的内容包括：真实世界模型训练集的完整规模、总训练时长、优化器与冻结参数范围、自生成历史的调度、相机失配容忍度、合成数据筛选成本、交互 8 Hz 的计时边界以及策略评测的完整相关性统计。

10. 未来工作与研究启发

原文结论强调可泛化想象环境对机器人学习的潜力，没有给出完整后续路线。以下为我的研究建议：

• 几何一致性审计：用物体 pose、接触关系或多视角约束检查生成视频，识别无接触抓取、穿透和对象凭空变化。
• 不确定性条件：为相机参数、关节状态或机器人轮廓加入可控扰动，研究真实标定误差下的模型可靠性。
• 评测器校准：保留失败与错误动作，按策略而非仅按任务划分测试集，报告排序相关性及成功率预测误差。
• 拆分数据收益来源：固定样本数比较新背景、新位置、新实例和新动作，再加入相同人时采集的真实数据基线。
• 扩展交互边界：测试外力、接触模式变化、长程遮挡和跨机器人迁移，而不只测试视觉分布变化。

对 6D 研究最直接的启发是：几何不仅能作为最终估计量，也能把机器人动作转换成生成模型易于使用的空间条件。但由几何约束生成器，和从图像恢复未知几何，是两个不同问题。

11. 总结

GeniWorld 的价值在于通过 URDF 稠密运动渲染，把动作控制转化为像素对齐的视频条件，并以闭环生成支持评测与真实策略数据增强。Table I 和 Table III 对生成质量与下游收益提供了较清晰证据；对接触物理、评测校准、跨机器人泛化和端到端成本，则应保留边界，不把逼真视频等同于可靠物理模拟器。