封面为 AI 生成的示意插图（内容由AI生成），非论文原图

出厂即巅峰？这篇 AAAI 2026 论文，让机器人在干活现场继续“长大”

WorldAgen：一个主干、两个脑袋，把“训练”搬进测试现场

先想象一个场景。

你花三个月、烧掉几百张卡，训练出一台会抓会放的机械臂。它在实验室里表现完美。然后你把它搬到客户现场——桌子矮了三厘米，灯光从冷白换成暖黄，货架上多了一种没见过的包装。

它的成功率掉了一半。

这不是段子，这是具身智能今天最真实的日常。视觉—语言—动作模型（VLA）在训练分布里像学霸，一跨到新环境，就变成“只会背题”的考生。

而 9 月 8 日挂上 arXiv、已被 AAAI 2026 接收的这篇 WorldAgen，给出的思路朴素得有点意外：既然模型不会自己适应，那就让它在现场再学一遍世界。

一、被忽略的短板：模型“读完书就毕业”

主流做法是把世界建模和动作预测捆在一起训练：模型一边学着预测“我这么做之后世界会变成什么样”，一边学着输出该做的动作。逻辑很顺，但有一个前提始终没被打破——这些能力几乎都是在静态数据集上预训练出来的。

论文把问题说得很直白：现有方法缺少部署时的主动适配机制。结果是，当物体构型或动力学发生变化时，模型常常泛化失败。

二、解法的骨架：一个主干，两个脑袋

WorldAgen 的结构可以用一句话概括：共享一个 Transformer 主干，挂两个头。

• 世界模型头：吃历史的“状态—动作”轨迹，吐出对未来的预测；
• 智能体头：以任务指令为条件，吐出现在该做什么动作。

两个头共用一个主干，参数更省、工程也更轻。但共享有个隐患：世界建模和动作预测的信息流容易“串味”。论文的解法是设计了一个混合单向注意力掩码（Mixed Unidirectional Attention Mask），在注意力层面把两个模型隔开——你能看到该看的，但看不到不该看的。

三、最巧的一步：把“训练”搬到测试现场

真正的亮点在部署之后。模型到了新环境，不再只是被动执行，而是会主动做四件事：

整个过程不需要重训主干，也不需要人工标注。这是一个很微妙的视角转换：过去我们把“适应”当成训练阶段的产物，现在它变成了推理阶段的一个动作。

四、成绩单：能打，而且越用越顺

论文在 CALVIN 与 LIBERO 两个主流机器人操作基准上做了验证：

• 不加测试时训练的基线模型，已经和当前最优方法相当，部分场景更好；
• 在少量样本上做测试时训练之后，超过了现有最优模型。

“少量样本”这四个字值得多看一眼——它意味着适应一个新环境的边际成本很低，不是把训练从头再来一遍。

五、这篇论文真正提醒我们的三件事

• 世界模型的价值，可能不在“训得多好”，而在“能不能被快速更新”。一个 90 分但改不动的模型，在真实业务里未必打得过一个 80 分、但十分钟就能对齐现场的模型。
• 训练与推理的边界正在变模糊。测试时训练并非新概念，但它与 VLA、世界模型结合之后，指向的是一种“持续在线”的机器人系统。
• 探索是有代价的。模型要靠自主采样来获取真实状态转移——在仿真里几乎免费，在真机上意味着时间、磨损和风险。这条路真正的工程难点，不在算法，而在“怎么安全地探索”。

六、别急着吹：三个还没解决的问题

• 真机仍是空白。论文评测集中在 CALVIN、LIBERO 这类仿真基准，真机与长时程部署下的稳定性还没有被验证。
• 探索的安全约束。TTT 依赖真实状态转移，机器人越真实，采样成本越高。
• 更新什么、更新多少。论文做的是世界模型的轻量更新，而“何时更新、更新到什么程度”更像是下一篇论文的题目。

七、一句话总结

你觉得“测试时训练”会成为具身智能的标配吗？欢迎在评论区聊聊。