针对 VLA 策略强化后训练中世界模型“预测像素”与“产生策略学习信号”的目标错配,作者提出 DRILL 双层框架:内层在想象 rollout 上做 GRPO 更新,外层按更新后策略在目标环境的回报优化世界模型。DRILL-VWI 用策略访问、GRPO 优势与置信度重加权预测误差,无需额外模拟器交互;DRILL-IMG 用截断 Hessian-vector 乘积做元梯度,并以小批量模拟器 rollout 估计外层梯度。理论上 DRILL-VWI 是 DRILL-IMG 元梯度的一阶近似,作者还给出截断 BPTT 收敛率与 诊断。在 LIBERO-Long、CALVIN、RoboCasa、Meta-World MT50、SimplerEnv 与 、OpenVLA 上,作者报告 DRILL-IMG 平均成功率比 WMPO 高 13.1 点、比 RLVR-World 高 7.9 点,下一帧像素 MSE 高 17%;叠加 RLVR-World 预训练再提升 3.2 点。DRILL-IMG 对扰动的鲁棒性优于 WMPO 与 RLVR-World, 与成功率负相关。局限是仅限仿真,DRILL-IMG 有额外计算、内存与交互开销。
为什么重要 世界模型在 VLA 后训练中用量激增,但其训练目标与用途错位;DRILL 给出可直接落地的替代优化目标与诊断指标适合 适合做具身智能世界模型、VLA 后训练、仿真数据闭环的工程师与研究员
单位
单位
MSE 增幅
越低越对齐
接近正交
注释 ·
注释 · 默认 ; 时

| 方法 | LIBERO | CALVIN | RoboCasa | |
|---|---|---|---|---|
| 64.2±1.6 | 71.8±1.3 | 38.5±2.1 | 1.42±0.08 | |
| RLVR-World | 70.8±1.4 | 75.3±1.6 | 42.7±1.8 | 0.97±0.06 |
| 76.1±1.2 | 80.7±1.1 | 51.8±1.7 | 0.73±0.05 | |
| 81.3±1.3 | 83.1±1.4 | 55.7±2.0 | 0.36±0.04 | |
| 83.9±1.1 | 85.4±1.2 | 59.1±1.6 | 0.29±0.04 |
注释 · 表中数值为 5 个种子的 mean±std;