Current Robotics Unveils CurrentWorld-0, an Interactive World Simulator
Current Robotics released CurrentWorld-0, an interactive world simulator that models cross-embodiment, multi-view, and multimodal physical interactions for robot learning and evaluation. It is the team's second work after the humanoid whole-body manipulation model Curr-0, and is described as a data-driven alternative to traditional physics engines, capable of simulating flexible objects and fluids.
Coverage timeline
机器之心机器之心
机器人撬开啤酒瓶盖，啤酒泡沫涌起，酒液从画面右下角流入杯中。 看起来就像一段普通实拍视频。但你很难想到，但实际上画面中的机器人、物体乃至啤酒流动的未来状态，都来自模型读取机器人动作后生成出的视频。 这些画面来自 Current Robotics 最新发布的 CurrentWorld-0 ，在他们发布人形全身精细操作 Curr-0 后交出的第二份工作。 团队将其描述为一种交互式世界仿真器（Interactive World Simulator）。它和传统物理引擎不同：不靠人工编写物理公式，而是从真实世界数据中学习规律，形成一种数据驱动的仿真方式。 类似方向此前已经出现过，例如 1X 的 1X World Model、Physical Intelligence 的 Ctrl-World 和 SC3-Eval、DeepMind 的 WorldGym，以及英伟达的 Cosmos Predict。 但这是首次将 跨本体、多视角 和 力触预测 整合进同一个世界仿真器中，同时用于模拟、学习，以及与人类和机器人模型交互。 在这个世界里，你看到的不仅是简单的双臂夹爪。移动机器人、配备灵巧手的双足人形机器人，也能被建模和控制。 它们处理的对象也不只是刚体。机器人可以叠袜子、收拾枕头、抹面包，也可以削黄瓜。无论是柔性物体还是流体，都能保持合理状态。真正值得关注的并不是画面有多像真实视频，而是当机器人的动作发生变化后， 模型仍然需要让不同视角、不同物体以及接触过程沿着同一个物理事件继续演化。 Scaling Evaluation：机器人也需要一个可以无限扩张的考场 那这样的世界仿真器可以用来做什么？一个很直接的答案，是 评测机器人 。 今天训练一个大模型，我们可以同时跑成千上万个 benchmark case，快速知道模型哪里变好了、哪里退步了。 但到了机器人这里，事情突然重新变得 “物理”。机器人数量、场地、人工看护和任务复位，都限制着测试规模。真实世界不可替代，却很难成为一个可以无限复制的考场。 传统物理仿真解决了一部分问题。Isaac Sim 等仿真器可以并行运行大量实验，但前提是： 你得先知道这个世界该怎么被建模。 刚体、摩擦和关节可以人工定义，但折袜子、抹面包、倒啤酒背后的柔性物体、流体和复杂接触，很难被一条条写进物理引擎。 有没有可能把真实世界本身 “学” 进一个可以无限运行的
量子位量子位
π0引用的中国团队，又出手了：世界仿真器新作发布 思邈 2026-08-18 17:57:40 来源： 量子位 给机器人造一个更接近真实的“第二世界” 允中 发自 凹非寺 量子位 | 公众号 QbitAI 机器人撬开啤酒瓶盖，白色泡沫顺着瓶口涌出来。 紧接着，它倾斜酒瓶，酒液划过画面右下角，被稳稳注入杯中。 一整套动作行云流水，乍看和真机实拍没有任何区别，平平无奇。 但真相是——从瓶盖弹开的瞬间、泡沫与酒液的流体变化，到后续的所有物理反馈，整段画面全是由 AI实时推演生成 的！ 这就是 Current Robotics团队 刚刚交出的硬核新作： CurrentWorld-0 ，一套交互式世界仿真器（Interactive World Simulator）。 它首次把 跨本体、多视角、力-触觉预测 塞进同一个系统，也是该团队继人形全身精细操作模型Curr-0之后的又一次出手。 而这家低调团队的技术底色与操盘手，同样来头不小—— 创始人 祝毅晨 曾任美的集团具身智能部部长，已发表40余篇顶会论文，学术引用超过5,200次。 作为国内最早发布VLA及世界模型的研究者，他曾带领团队提出扩散模型和VLM端到端的VLA范式（TinyVLA），拓展VLA+CoT策略（DiffusionVLA & DexVLA，发表至ICML和CoRL），并较早提出世界模型用于具身策略评估（dWorldEval，发表至ICML高亮论文）。 值得一提的是，Physical Intelligence在其里程碑论文π0中，就 引用了祝毅晨团队完成的TinyVLA与ScaleDP工作。 △图源：π0论文References 从早期的VLA大模型、人类示教数据，逐步延伸至全身机器人学习，这些前沿探索最终沉淀为Current Robotics的技术基石。 而对于刚刚亮相的这套交互式世界仿真器，团队的核心目标很明确： 机器人的身体和观察方式可以千差万别，但在走进真实世界前，它们演练的必须是 同一个世界 。 评测机器人，首先需要一个不会替策略纠错的世界 机器人世界模型有一个很自然的起点：视频生成模型。 经过大规模预训练之后，模型已经记住了不少视觉和运动规律：物体被遮挡后不会凭空消失，形状不会突然改变，运动在时间上也通常是连续的。 一次常见的抓取会怎么发生，模型其实已经“看过”很多遍，这对视频生成当然是好事。 但机
