世界模型从零讲起(二十五):两个引擎一起造数据——物理仿真器与生成式世界模型的分工与对账

14323 字
72 分钟
世界模型从零讲起(二十五):两个引擎一起造数据——物理仿真器与生成式世界模型的分工与对账

承接前二十四篇:两种引擎,一张账本

这个系列走到现在,已经把世界模型拆到了很细的粒度。第一篇把世界模型形式化为 POMDP 里的状态推断与动作条件预测;第二到第五篇分别拆了 Dreamer、JEPA、视频生成模型与 WAM 四条路线;第六到第九篇算评测、部署、规划与推理系统的账;第十篇把账算到 CMOS 能耗下界;第十一至第十四篇补上了 Dyna、几何、物体中心与分层;第十五篇把全部杠杆汇总成预算地图;第十六篇讲动作怎么进入模型;第十七篇讲长程记忆;第十八到第二十篇讲共享状态、闭环误差与跨会话迁移;第二十一到第二十三篇把物理结构、触觉与身体模型写进了预测器;第二十四篇讲了一个看似简单、其实推翻了整个前提的用法——把世界模型当成离线的数据引擎。

第二十四篇结尾点名了下一站:世界模型与物理仿真器联合当数据引擎时的分工与对账。这个选题之所以不是一句「两者可以互补」就带过,是因为它在工程上一直是一个实打实的争论:一个团队要造机器人操作数据,手上通常同时有两条路——一条是用渲染与物理引擎搭出来的仿真器(RoboCasa 里的厨房、Isaac Lab 里上万并行的机械臂、MimicGen 里从少量人类演示变换出的上千条演示),另一条是用视频世界模型(Cosmos、DreamGen、GigaWorld-1 这一类)生成出来的「想象中的画面」。两边都能在几小时内产出一批看起来像真的数据,但两边的数据用起来失真的方向完全不同。

这篇文章不做「哪个更好」的判断,而是把两类引擎逐个拆开:它们各自在哪里保真、在哪里必然失真,为什么这两类失真在结构上是正交的、可以组合,以及把它们组合起来有哪几种具体的工艺、每种工艺的代价是什么。最后给出一张「两种引擎各产出一条轨迹要付多少代价」的成本账,并落一个具体的任务上做对账。这个系列从概念讲到数据工厂,最后要落在的就是这条「工厂里的两台机器怎样分工」的问题上。

Sim-and-Real Co-Training 的整体思路:真实数据与仿真数据如何组合训练视觉机器人策略

图源:Sim-and-Real Co-Training: A Simple Recipe for Vision-Based Robotic Manipulation(arXiv:2503.24361)Figure 1。这张图把本篇要讨论的核心问题摆了出来:在真实环境里训练的策略,与同时看过真实数据和仿真数据的策略,在部署时的表现并不相同;真实数据与仿真数据各自覆盖的状态分布不重合,策略只有同时看到两类数据,才能在实际部署的格子里覆盖足够的场景。仿真器负责提供大量受控的变化,真实数据负责校准那些仿真里很难覆盖的外观与细节。

先划清界限:仿真器不是世界模型

在讨论分工之前,必须先把两个概念分开,否则后面所有「互补」的论证都会变成含糊的类推。

物理仿真器(physics simulator)本质上是一个程序化的世界模型:它把世界写成一组状态变量(刚体的位姿、速度、关节角、接触点),用数值积分推进动力学方程,用碰撞检测与接触求解算出约束力,再把结果交给一个渲染器画出画面。它和任何其他程序一样,行为由代码与参数完全决定——给定同一份初始状态、同一串动作,仿真器每次都会输出同一条轨迹,没有「可能的另一种走向」。Isaac Lab(arXiv:2511.04831)这类框架做的事情,就是把这个程序化的世界搬到 GPU 上,让几千个环境同时并行推进,把「写代码 + 等几百秒」变成「写代码 + 等几秒」。

生成式世界模型(generative world model)是另一回事。它不是把世界写成程序,而是从数据里学一个观测空间的概率分布 p(xt+1∣x≤t,at)p(x_{t+1} \mid x_{\le t}, a_t),然后用采样从这个分布里取出一个可能的下一刻。它的输出是一次采样,而不是一个确定的状态;它的正确性不是「物理定律是否满足」,而是「采出来的画面是否与真实观测分布一致」。这类模型在第二十四篇和更早的第五篇里已经讲透了它的推理结构,这里只强调一个性质:它从不显式知道世界里有「桌子」「杯子」「重力」这样的实体,它只知道像素或潜变量之间的相关性。

这个区分决定了两边各自的强项。

仿真器的核心资产是显式的状态。它知道杯子的位姿是 (x,y,z,qw,qx,qy,qz)(x, y, z, q_w, q_x, q_y, q_z),知道桌子有摩擦系数 μ\mu,知道这个杯子被夹住时接触点有几个。这种显式性带来几个只有仿真器才能提供的能力:任意视角的渲染(换一台相机不需要重训)、特权信息(策略训练时可以作为监督信号,测试时丢掉)、精确的物理量(接触力、碰撞检测、速度),以及确定性(同一个种子重开就是同一段轨迹,可以复现、可以差分测试)。这些能力在机器人学习里有明确的用处,第二十四篇讨论过的 MimicGen 一类的变换式数据生成,正是依赖仿真器能够把演示里的一个动作段「搬到」新的物体位姿上;这一点在世界模型上做不出来,因为它连物体位姿都不知道。

生成式世界模型的核心资产是真实的观感。它是在真实视频上条件化采样出来的,所以它的画面里自然有真实的光照、真实的材质、真实的相机运动模糊——这些正是仿真器最难复现的部分。仿真器的画面要么依赖手工搭建的材质与渲染管线,要么依赖神经渲染去补「看起来很真」的外观(渲染保真度这一层稍后会讲)。世界模型不需要为每个场景重新搭素材,只要给定一张初始帧,它就能把同一个任务的「接下来几秒」画成与真实机器人在同一台相机、同一间厨房里的样子。

一个常见的工程误解是把两者当成「同一个东西的两种实现」,然后比谁的 FVD 低、谁的成功率高。这样比出来的结论永远是片面的:仿真器的失败模式在画面之外(物理参数写错、接触求解不收敛),世界模型的失败模式在画面之内(几何错位、物体凭空消失)。要组合它们,就要按失败模式组合,而不是按指标排名组合。

保真度的谱系:从解析物理到神经渲染

在「仿真器」和「世界模型」之间,其实存在一条连续的谱系。把这条谱系画出来,分工的设计空间就清楚了。

最左端是解析物理仿真器,以 MuJoCo、Isaac Gym 为基础演化出的 Isaac Lab、以及 RoboCasa(arXiv:2406.02523)这类建立在 MuJoCo 之上的场景库为代表。世界被写成刚体、关节、碰撞形状,动力学用约束求解器推进。它知道一切,但外观是「手绘」的——颜色、材质、光照需要人工搭,真实感靠艺术家。

往右走一步是仿真器 + 神经渲染。物理仍在解析仿真器里算,但画面换成神经渲染管线(3D Gaussian Splatting、NeRF 的实时变体)或者基于图像条件的扩散渲染。这一层的代表是「仿真器负责状态、扩散模型负责外观」这一整类近期工作。它在保留显式状态的前提下补上了观感,代价是渲染变成了一个概率过程:同一份状态渲染两次,画面不完全一样。

再往右是世界模型 + 仿真器作为物理校验。世界模型自己做预测,但在训练或推理时把仿真器当作一个对照器:生成的轨迹要过一遍仿真器的动力学一致性检查,不一致的片段被过滤或修正。

最右端是纯生成式世界模型,比如 Cosmos、DreamGen 这类只靠视频生成产出的数据引擎,没有任何显式物理。

这条谱系上每一格的「保真度」都有两种含义:

  • 动力学保真度:给定动作,状态怎么变。仿真器天生高,世界模型天生低——它的动力学是从数据里猜出来的。
  • 视觉保真度:给定状态,画面长什么样。仿真器天生低(除非专门做神经渲染),世界模型天生高——它就是在真实画面上学出来的。

这两条轴共同组成一个二维平面。谱系从左到右,动力学保真度单调下降、视觉保真度单调上升。而机器人学里的经验是:训练一个视觉策略,两条轴都要——它要根据像素判断(需要视觉保真),要根据动作输出控制(需要动力学保真)。这就解释了为什么单一引擎的数据永远不够用。

引擎显式状态动力学保真度视觉保真度可控性来源确定性
解析物理仿真器(RoboCasa、Isaac Lab)有(位姿、关节、接触)高(受参数误差限制)低到中(依赖素材与渲染管线)代码与场景文件完全确定
仿真器 + 神经渲染有高中到高代码 + 渲染条件物理确定,外观采样
仿真器物理校验的世界模型部分(经仿真器反推)中到高(被校验过的片段)高视频条件 + 校验规则采样,但受约束
纯生成式世界模型无低高初始帧 + 语言/动作条件采样

这张表最右边那一列容易被忽略,但它在工程上非常关键。「确定性」的意思是:给定同一个初始状态,两次运行得到同一条轨迹。仿真器满足这一点,所以可以用它做回归测试——改了一版策略,可以在同一批场景上重跑一千次,逐条对比成功与否。世界模型不满足,所以用它做回归测试时必须用固定种子采样,且结果的方差会被模型本身的随机性污染。这一点在后面「误差叠加」一节会变成一条具体的设计约束。

仿真器的三条硬约束:接触、物体与参数

物理仿真器之所以能在 Robotics 领域占据几十年的主导地位,不是因为它的物理「对」,而是因为它的物理可解析、可编辑、可对账。但它的保真度并不是无代价的,有三条约束几乎无法绕开。

接触:仿真器最不擅长的地方

刚体动力学在自由飞行阶段做得极好——积分误差在 10−310^{-3} 量级以内,和真实物理几乎一致。真正的麻烦在接触。当夹爪碰到杯子、杯底放在桌面上、物体之间相互堆叠时,仿真器要用一个优化问题解出所有接触约束力:

min⁡v+  MSE(v+−vfree)s.t.  接触约束、摩擦锥约束、非穿透约束\min_{v^+} \; \mathrm{MSE}\left( v^+ - v^{\text{free}} \right) \quad \text{s.t.} \; \text{接触约束、摩擦锥约束、非穿透约束}

其中 vfreev^{\text{free}} 是不考虑接触时的自由速度,v+v^+ 是解出的接触后速度。这个问题的解在每个物理步里都要算一遍,而真实世界的接触是一个高速、高频、非光滑的过程:两个刚体在一毫秒内从「非接触」变成「硬接触」,仿真器却只能以 Δt=1/120\Delta t = 1/120 或 1/2401/240 秒的离散步长去逼近。误差来源有三个:

  • 摩擦模型的简化。大多数仿真器用库仑摩擦的离散近似,摩擦锥要么用线性多面体近似,要么用锥形投影,真实世界里摩擦依赖于温度、湿度、表面微观形貌——这些都无法写进仿真器。
  • 接触刚度。真实接触在极短时间内产生极大的力变化,仿真器需要让接触点柔软一点(软接触模型)才能收敛,这让接触力被「抹平」了。策略在仿真里学到的抓握力,搬到真机上往往偏小或偏大。
  • 穿透与抖动。求解器为收敛引入的松弛项,会让两个刚体在接触时轻微穿透;如果刚度设得不对,物体在桌面上会持续抖动,导致视觉策略学到错误的稳定判断。

这些误差在「抓取」这一类任务上尤其明显——而抓取恰恰是机器人操作数据里最重要的一类。第一代 MimicGen 的局限正是这一点:它把演示里的一个片段做空间变换后直接搬到新的物体位姿上,这在纯几何意义上是成立的,但变换后的接触点如果落在物体表面之外,仿真器做出来的轨迹会「像真的但实际上不可能」。

物体:资产与物理属性

仿真器里的每个物体都要有几何网格、材质、质量、惯性张量、摩擦系数。这些量在真实世界里要靠测量得到——质量可以用天平,惯量可以用摆法或 CAD 模型的积分,摩擦系数要靠专门的摩擦仪。但在大部分机器人数据集里,这些量是被「填」的:拿一个 CAD 模型,默认密度 1000 kg/m31000\,\mathrm{kg/m^3}、摩擦系数 0.50.5、恢复系数 00,然后就跑起来了。

RoboCasa 这一层的工作,正是在这个点上做了工程投入。它把日常厨房场景拆成「厨房布局」「物体资产」「任务模板」三层,物体资产库里包含 2500 多个三维物体、覆盖 150 多个类别,配套几十种可交互的家具与电器。它的任务生成器(kitchen layouts 与 task generator)允许把同一个任务模板套到不同的物体、不同的初始位置上。这相当于把「物体」这一约束从「自己造一个」降到了「从库里选一个」——对操作任务而言,这个库的覆盖面决定了数据的覆盖增量。

RoboCasa 的厨房布局与物体资产:同一个场景库如何在多种布局上复用

图源:RoboCasa: Large-Scale Simulation of Everyday Tasks for Generalist Robots(arXiv:2406.02523)Figure 2 一带的布局展示。RoboCasa 把真实厨房的常见布局抽象成可编辑的模板,再把上千个物体资产与任务模板挂到同一套布局上。仿真器的「物体」这一约束之所以能被控制,是因为这个库覆盖了足够多的日常物品,而不是因为它把物理算得更准了。

参数:仿真器里最容易被忽视的一层

第三层约束是参数的误差。仿真器里的重力加速度、桌面摩擦、驱动器的 PD 增益、关节零位标定——这些量的默认值往往和真实系统差一些,而策略对这些参数(尤其是重力和摩擦)非常敏感。

这个问题的经典解法是域随机化:把参数在一个区间里随机采样,让策略在每个 episode 里都在一个略微不同的世界里训练,从而对参数变化鲁棒。域随机化是仿真数据相比真实数据最大的优势之一,因为真实数据永远只有一个「参数设置」,而仿真器可以造出成百上千个。

但域随机化有一个隐含代价:它等于承认「我们不知道真实参数是多少」,只能用鲁棒性去换。如果随机化的区间里包含了真实值,策略能覆盖;如果真实值落在区间之外,策略会学到一种「在平均参数下最优」的行为,搬到真机上系统性失败。所以域随机化的区间必须被真实数据校准——这就是 Sim-and-Real Co-Training 那类工作的动机之一。

三条约束放完之后,仿真器的画像就清楚了:它给你一个可编辑、可复现、可对账的世界,但这个世界有三个地方永远有误差——接触、资产和参数。这三处误差的方向都是「动力学保真」,不会影响画面「像不像真的」。

世界模型的三种失真:几何、恒常与因果

世界模型的失败模式在另一条轴上,而且它的三种失真恰好和仿真器的三条约束错开。

几何失真:物体在画面里慢慢「漂」

世界模型是逐帧或逐潜帧生成的,每一帧的生成都以上一帧和条件为输入。这里有一个所有自回归视频生成模型都绕不开的问题:没有持久的三维记忆。第十篇到第十七篇反复讲过,长程记忆需要显式的状态载体,而纯视频世界模型的「记忆」只有上下文窗口里的历史 token。窗口一旦滑过某帧,那一帧里的物体就只剩下一段模糊的痕迹。

后果是:物体在生成的长片段里会缓慢地漂移、变形、甚至在无人操作时微微移动。这种失真在短片段(几秒)内看不出来,在几十秒的生成轨迹上会累积成「桌子在动」「杯子被换成了另一个形状」。第二十四篇把这条边界列为「开环复合效应」,这里要强调的是它的具体形态——几何失真。

恒常性失真:物体在不该出现的地方出现

第二个失败模式来自视觉先验的强度。世界模型在大量视频上训练,它学到的是「厨房里通常有杯子」「机械臂通常会动」。当给定一个不太常见的指令或初始状态时,它会用最熟悉的方式去补全画面——比如在某一帧里把杯子画在两个地方、或者把已经被移走的物体又画回台面上。

这在视觉上极其隐蔽,因为每一帧单看都很合理,只有把整段视频连起来看才发现「物体凭空多了」。它本质上是一个先验与观测的条件竞争:当观测信号(上一帧里杯子已经不在原位了)先验信号(厨房里通常有杯子)打架时,生成模型有可能顺着先验走,因为先验在它的训练分布里出现频率更高。

因果失真:动作与画面之间有一拍时差

第三个失败模式是动作服从性。世界模型生成的是「给定动作条件下的观测」,但它对动作的服从是弱约束:训练时动作只是一段条件嵌入,模型的损失并不直接惩罚「动作没被忠实执行」。结果是,当策略输出的动作序列变化比较快时,画面会滞后一到两帧才反应,或者对某些动作(比如快速回退、小幅侧移)几乎不响应。

这个失真对数据引擎最致命:策略是在「画面—动作」对上学行为的,如果动作和画面之间的时序关系在生成数据里是错的,策略学到的就是一个带延迟的世界。第二十四篇把这个问题称为「动作跟随不忠实」,并指出它需要在标注环节用「正向—反向一致性」来检查。

三种失真的方向都是视觉与因果保真,它们几乎不涉及动力学参数、不涉及接触、也不涉及物体资产。这正是分工的理论基础。

为什么能互补:两类误差的方向是正交的

把两边的失败模式并排放在一张二维平面上,分工的设计空间就很自然了。

Sim-and-Real Co-Training 的数据混合结构:仿真数据与真实数据如何进入同一个训练管线

图源:Sim-and-Real Co-Training(arXiv:2503.24361)Figure 2 的方法总览:以真实目标任务为目标,先构造与之对应的「task-aware digital cousin」仿真环境,再在仿真的数字表亲里自动生成大量演示,最后与真实演示按比例混合训练。Sim-and-Real 这项工作系统地比较了几种混合方式:联合训练(把真实与仿真数据直接混在一起)、交替训练,以及基于不同数据比例的策略。它把协同训练比例 α\alpha(每个 minibatch 从仿真数据里采样的概率)当作一个可调旋钮,实验结果相当具体:在 CupPnP 任务上,真实演示 20 条、仿真演示 1000 条的设置里,α=50%\alpha = 50\% 明显次优,α=99%\alpha = 99\% 时表现最好;同时,即便真实演示从 40 条增加到 400 条,协同训练相对只用真实数据依然有增益。这两个结果合在一起说明:混合比例必须调,但真实数据的权重不能被调成零,哪怕它只有百分之几。这与本篇要说的「两类误差正交、可组合」是同一个观察的两个侧面。

把这张表读成本文的核心论点:

维度仿真器的误差方向世界模型的误差方向
动力学接触刚度、摩擦模型、求解器松弛动作服从的弱约束、时差
物体资产不完整、质量/惯量/摩擦是填的恒常性失真、物体凭空出现或消失
参数真实参数未知,靠域随机化包住参数无关(模型的「参数」就是训练分布)
视觉材质/光照/渲染与真实不同几何漂移、物体变形

仿真器的误差集中在状态量与参数:它把世界写得过于简化,所以状态推进的细节和真实不同;但它的画面是「几何一致」的——同一个物体在每帧的位置、形状都严格由状态决定,物体的身份从不改变。

世界模型的误差集中在观测与因果:它的画面在单帧上极其真实,但状态没有被显式维护,所以几何会漂、物体会串;它的动作输入是弱条件,所以画面跟不上动作。

两者组合之所以有意义,是因为一个引擎的强项恰好落在另一个的弱项上:

  • 世界模型补仿真器的视觉保真度,把「看起来像渲染的厨房」换成「看起来就像机器人相机拍到的厨房」;
  • 仿真器补世界模型的状态保真度,给每一帧一个显式的物体位姿、接触点、动作标签,让几何漂移和凭空出现的物体有一个外部参照。
  • 仿真器补世界模型的参数控制,让数据的覆盖增量来自「系统地把物体换位置、把参数换区间」,而不是来自「随机换一个初始帧」。

这条论证的关键前提是:两边的误差必须可以独立校准。如果两边的误差是同一个来源(比如都是从同一个真实分布偏移过来),那么组合只会放大误差,而不是抵消。下面列出的四种工艺,都是在这个前提下构造的。

工艺一:世界模型当仿真器的渲染器

第一种工艺最简单,也最直观:物理仍在仿真器里算,只有渲染交给生成式模型。

具体做法是三步:

  1. 在仿真器里跑一个任务,记录每一帧的状态:所有物体的位姿、机器人关节角、相机内参与外参。
  2. 把状态转成一组几何条件——深度图、实例分割、物体位姿的投影、相机位姿,再配上机器人动作与语言指令。
  3. 用一个图像/视频生成模型,以真实相机的画面风格为条件,把几何条件渲染成「真实感的画面」。

第 3 步的生成模型可以是一个图像扩散模型(逐帧渲染),也可以是一个以几何条件为输入的视频生成模型(保证帧间一致)。这条工艺的代表是「仿真器状态 + 扩散渲染」这一整类工作:渲染器本身并不需要学过机器人任务,它只需要学会「以几何条件为输入,生成真实风格的图像」。

RoboCasa 的任务生成流程:从任务模板与物体资产批量生成带标注的任务数据

图源:RoboCasa(arXiv:2406.02523)中以语言模型引导生成复合任务的示意图。仿真器最有价值的能力之一,就是从模板批量生成带完整标注的数据——每个任务实例都带着物体位姿、动作序列、接触事件。这条工艺正是把这些标注物尽其用:状态和标注来自仿真器,画面来自生成模型。

这条工艺的收益直接而明确:渲染保真度上去了,而状态保真度完全不受影响。每一帧的物体位姿、动作序列、接触事件都来自仿真器,所以数据的几何一致性、动作标签的准确性、以及可复现性都和纯仿真数据一样。策略在这份数据上学到的「世界」在状态层面是干净的,只是它的视觉输入看起来更像真实相机拍到的画面。

代价有两个。

第一是条件保真度。生成模型的输出只保证「看起来像」几何条件所描述的场景,不保证「严格等于」。渲染出来的画面里物体的边缘可能和几何条件差几个像素,材质可能被先验「替换」成一个看起来更合理但实际是另一个物体。这在训练视觉策略时通常影响不大(策略关心的往往是物体的大致位置与类别),但在需要精确对位的任务(比如线程穿孔、插接)上会成为瓶颈。这类误差的方向仍然是「视觉保真」,而它恰好落在仿真器的弱项上——所以它没有叠加,只是把仿真器原来那一项换成了另一项。

第二是渲染成本。仿真器的渲染在这一步被替换成一个扩散模型的前向,单帧成本从微秒级变成几十毫秒到几百毫秒级,而仿真器的并行度(上千环境并行)在生成模型这一侧很难保持。所以整条链的吞吐瓶颈从物理求解移到了渲染。这直接改变了数据的成本结构,后面的成本账会具体算这笔账。

工艺二:仿真器当世界模型的物理校验器

第二种工艺方向相反:生成仍在世界模型里做,仿真器变成一个外部校验器。

做法的核心是给世界模型生成的每条轨迹加一道「状态级」的检验:

  1. 世界模型按第二十四篇的流水线生成一段视频(初始帧 + 指令 + 动作)。
  2. 从生成视频里抽取状态:用深度估计和物体位姿估计(或者用第二十四篇讨论的潜动作模型推导出的潜状态)得到每一帧的物体位姿序列。
  3. 把这份状态序列和对应的动作序列一起送进仿真器,「重放」一遍:仿真器以第一帧的位姿为初始状态,用同样的动作推进,看它推出来的轨迹和世界模型生成的是否一致。
  4. 不一致超过阈值就丢弃这段轨迹,或者裁剪到第一个分歧点。

这道检验的物理意义很清晰:世界模型对动作服从得不好,仿真器对动作服从得好。如果一段生成轨迹能被仿真器复现,说明它的「动作—状态」关系在物理上是自洽的;如果不能,说明生成模型画了一段物理上不可能的动画。

MimicGen 的三步流水线:解析源演示为片段、变换片段到新的物体位姿、在仿真器里执行并记录新轨迹

图源:MimicGen: A Data Generation System for Scalable Robot Learning using Human Demonstrations(arXiv:2310.17596)Figure 2。MimicGen 的思路和这一节是同构的:它把源演示解析成片段,再在仿真器里「回放 + 变换」出新的轨迹。区别在于 MimicGen 的源是真实演示、执行器是仿真器;工艺二的源是世界模型的生成轨迹、执行器也是仿真器。两者共用的原则是——凡是能在仿真器里复现的轨迹,在动作—状态层面上就是一致的。

这条工艺的收益是把动作服从这一项误差从「低」拉到「中到高」。被检验通过的轨迹,其动作标签在物理上与画面自洽,可以直接进入训练集。同时,仿真器重放还顺带给出了一个东西:被通过的轨迹在仿真器里有一份精确的状态序列,包括接触事件与物体位姿。这就让原本只有视频和动作的生成数据,获得了仿真器才有的特权信息。

代价有三个。

第一是校验成本。每条候选轨迹都要做一次状态提取 + 一次仿真重放,而状态提取(位姿估计)本身就是一个不便宜且不精确的环节。这个环节的误差会直接变成校验的误判:位姿估错了一点,本来能被复现的轨迹被判成不合格,或者反过来。这里需要一条「放行阈值」的工程经验:阈值设得严,通过率低,数据少;设得松,混入的坏轨迹多。这个阈值需要用少量真机数据标定。

第二是状态提取本身的失真。世界模型的视频只有像素,从中抽出位姿是逆问题,而逆问题在遮挡、高速运动、透明物体上会失效。工艺二最适合的是「几何清晰、低速、不透明」的操作任务;对透明杯、柔性布料、快速甩动的工件,状态提取的误差会大到让校验失效。

第三是校验只能覆盖被仿真器「理解」的部分。仿真器不知道的物体(比如一个仿真资产库里没有的奇怪容器)无法被准确重放,这类轨迹会被误判。这是所有「用仿真器校验生成数据」方案的共同边界。

工艺三:一个任务,两个引擎各造一半

第三种工艺不追求「一条轨迹由谁生成」,而是把一个任务切成几段,让两个引擎各管一段。

操作的典型结构是「接近—抓取—移动—放置」。接近、移动、放置这些阶段,物体在自由空间里运动,接触少、动力学简单,仿真器做得极好;抓取这一阶段,接触复杂、摩擦敏感,仿真器做得最差。反过来,抓取阶段的视觉变化(夹爪与物体的咬合、形变、光影)是世界模型最擅长画的部分,而移动阶段的大范围位移恰恰是世界模型几何漂移最容易发生的阶段。

所以一个自然的切法是:

  • 接近、移动、放置:仿真器做。状态精确,动作标签精确,环境可批量生成。
  • 抓取:世界模型做,条件是「物体位姿 + 夹爪接近位姿」,用少量真实抓取的视频微调出来的模型。抓取的时长很短(通常 1 到 2 秒),几何漂移在这么短的片段里几乎不发生,所以世界模型的弱项被时长压制住了。

拼接口的设计是关键。仿真器段和世界模型段要在「状态」上对齐:仿真器段的最后一帧给出物体的精确位姿与夹爪的开合状态,世界模型段以这一帧为初始帧开始生成;世界模型段的最后一帧再被状态提取成物体的新位姿(或者用「夹爪已合拢、物体附着在夹爪上」这一先验直接继承),交给仿真器继续往下推进。

这条工艺的收益是让两个引擎都工作在各自的强项区间,同时把拼接的代价控制在一个很短的片段上。代价是拼接处的连续性。两段的衔接点如果出现视觉跳变(比如光照突然变了)、或者状态不一致(仿真器说夹住了,世界模型画出来的物体还在桌上),整条轨迹就废了。所以拼接处通常需要额外的检查:视觉上要求相邻帧的差异不超过真实视频的帧间差异,状态上要求两段的位置误差不超过一个阈值。

DexMimicGen 的整条数据流水线:从源演示到子任务片段,再到双臂灵巧操作的大量新演示

图源:DexMimicGen: Automated Data Generation for Bimanual Dexterous Manipulation via Imitation Learning(arXiv:2410.24185)中的流水线示意。DexMimicGen 把 MimicGen 从单臂扩展到双臂灵巧操作,核心改动就是把演示拆成更细的子任务片段,并对每一段设计独立的变换与执行规则。这恰好说明「切段」这件事本身就是数据生成系统的主要设计手段:切得越细,每一段越能被「各自最合适的引擎」处理。

工艺四:仿真器当特权信息源与标注器

第四种工艺和前三种的形态不同:它不生成数据,只给生成数据打标。

世界模型生成的一段视频,本身缺两样东西——精确的动作标签和特权信息。第二十四篇讨论的 DreamGen 用逆动力学模型(IDM)补动作标签,用潜动作模型补更抽象的标注。工艺四是把仿真器插到这个标注环节里:

  1. 世界模型生成视频后,先用位姿跟踪或第六篇、第二十四篇讨论的评测器,从这个视频里恢复物体状态序列。
  2. 用仿真器的逆动力学(给定前一个状态和后一个状态,解出动作)把这个状态序列翻译成关节空间的轨迹。
  3. 用仿真器「重放」这条关节轨迹,同时输出仿真器才知道的东西——每个物体的接触点、每个物体的精确位姿、每个时刻的视觉可见性、相机在真实场景里的可行视角。
  4. 把这些特权信息作为监督信号(比如辅助任务),或者作为过滤器,筛掉与状态不一致的帧。

这一步的价值在于:特权信息是仿真器独有的能力。真实数据里没有它——没有任何真实相机能把「此刻的接触力」拍下来。世界模型里也没有它——它没有状态表示,当然也不知道接触了多少个点。仿真器可以把这两样东西都给你。

第 3 步里有一个具体的工程技巧值得提:仿真器的相机可以任意摆位。世界模型在一段视频里只给出了一个视角,而仿真器重放之后可以把同一个轨迹渲染成多个角度——这等价于「一份数据,多个观测」,对视觉策略的泛化很有用。这一点是纯仿真数据本来就有的能力,但在工艺四里,它被嫁接到了一个本来只有单视角的生成数据上。

代价是标注的误差链。状态提取有误差、逆动力学求解有误差、仿真重放有误差,三段串联之后,动作标签的误差可能比 IDM 直接标注还大。所以工艺四更合适的用法是「双向交叉校验」:让 IDM 和仿真器各自标一遍,看两边的结果在哪些帧上分歧大,分歧大的帧就是问题帧,人工抽检这些帧就行。这个用法在第二十四篇的第三道防线(正向—反向一致性)上是同一种思路,这里只是把「反向」的检查器从 IDM 换成了仿真器。

误差叠加:什么时候一加一小于一

前面四种工艺每个都讲了一个具体的拼接方式,但一个完整的数据引擎往往会同时用几种。这时会碰上一个新问题:两边的误差什么时候叠加,什么时候相互抵消?

把一条生成的轨迹写成两部分误差的复合:

τ=Esim(Ewm(a,s0))\tau = E_{\text{sim}}\left( E_{\text{wm}}(a, s_0) \right)

其中 s0s_0 是初始状态,aa 是动作序列,EwmE_{\text{wm}} 是世界模型生成观测的过程,EsimE_{\text{sim}} 是仿真器重放/校验的过程。复合误差不等于两部分误差之和——它是两部分误差的复合。两类的复合方式,由它们的方向决定。

设世界模型误差在世界状态空间里是 δwm(t)\delta_{\text{wm}}(t)(主要是几何位置偏差、物体身份错误、动作滞后),仿真器误差是 δsim(t)\delta_{\text{sim}}(t)(主要是接触力误差、参数偏差、资产误差)。那么复合误差可以线性近似为:

δcomp(t)≈δsim(t)+Jsim→obs⋅δwm(t)\delta_{\text{comp}}(t) \approx \delta_{\text{sim}}(t) + J_{\text{sim}\to\text{obs}} \cdot \delta_{\text{wm}}(t)

其中 Jsim→obsJ_{\text{sim}\to\text{obs}} 是「从状态误差到观测误差」的雅可比,本质上是「仿真器重放把世界模型的状态偏差沿着仿真器的动力学传播了多少」。这个式子给出了三个具体的判据:

  • 如果 δwm\delta_{\text{wm}} 是动作滞后(世界模型慢了半帧),那么经过仿真器重放之后,这个滞后会保持不变,因为仿真器是动作驱动的,它不会去修正输入动作的时序。这时复合误差等于原误差,不会叠加,也不会抵消。工艺二要做的正是「让仿真器发现这个滞后并拒绝」,而不是「让它自己消掉」。
  • 如果 δwm\delta_{\text{wm}} 是几何漂移(物体位置有缓慢偏移),那么在很短的片段里 Jsim→obsJ_{\text{sim}\to\text{obs}} 比较小,误差被「压住」;在长片段里 Jsim→obsJ_{\text{sim}\to\text{obs}} 随时间放大,会叠加。所以工艺二、三都要求「短片段」,这不是巧合,而是这个式子的直接推论。
  • 如果 δwm\delta_{\text{wm}} 来自物体身份错误(把一个物体画成了另一个),那么仿真器重放会出现「初始状态就不对」——这时的误差不是被传播,而是被检出并丢弃。这一类误差是复合误差里真正被抵消的一类,因为它是可判定的:仿真器知道自己重放不出同样的画面。

所以「一加一小于一」只发生在世界模型的误差是「可判定的状态错误」的时候。也就是说,分工的价值不在「两个引擎都能干一部分」,而在于:

组合价值  ∝  Pr⁡(世界模型的误差落在仿真器可判定的状态空间上)\text{组合价值} \;\propto\; \Pr\left( \text{世界模型的误差落在仿真器可判定的状态空间上} \right)

这就是为什么工艺二对「物体身份」这类的校验效果好,对「动作滞后」这类校验效果差,对「参数偏差」几乎无能为力——因为参数偏差不在「一眼能看出状态不对」的那一类里,它藏在「状态看起来对,但随时间演化出错」里,只有用更长的重放或专门设计的激励轨迹才能暴露。

第二十四篇的复合误差分析之所以重要,正是因为它给出了这条线的精确界线:在第 19 篇讨论的闭环里,误差的特征值决定了它被放大还是被压住——这一点这里同样成立。分工的工程含义是:不要试图让两个引擎互相抵消,要让它们互相提供判据。

混合比例:仿真数据到底该占多少

混合比例的讨论在领域里被反复做过,Sim-and-Real Co-Training(arXiv:2503.24361)是其中系统化程度比较高的一次。这篇工作把混合比例 α\alpha 作为一个显式的旋钮来研究,并给出了几个对本篇很直接的结果:α\alpha 需要调,最优值一般落在仿真占比很高的一端(实验里的最优值是 99%),但真实数据的权重绝不能是零——把 α\alpha 推到 100% 的策略在更换物体、更换位置时明显退化。

这条观察可以用一个简单的模型解释。设训练集的覆盖为 C(r)\mathcal{C}(r),其中 rr 是仿真数据(广义上的「合成数据」,包括仿真器产出的和世界模型产出的)在总量里的比例。把覆盖分解成两项:

Δcov(r)≈Δcovgeometry(r)+Δcovappearance(r)\Delta\mathrm{cov}(r) \approx \Delta\mathrm{cov}_{\text{geometry}}(r) + \Delta\mathrm{cov}_{\text{appearance}}(r)

其中 Δcovgeometry\Delta\mathrm{cov}_{\text{geometry}} 来自「更多地覆盖状态空间」的那部分——仿真器把物体摆到不同的格子,世界模型画不同光照,两者都在贡献。Δcovappearance\Delta\mathrm{cov}_{\text{appearance}} 来自「更真实的外观」那一部分——只有真实数据能提供,因为世界模型的渲染再真实也是从它训练过的分布里采的。

关键在饱和:当 rr 超过某个阈值之后,Δcovgeometry\Delta\mathrm{cov}_{\text{geometry}} 的增长速度变慢,因为状态空间里「值得覆盖的格子」是有限的,超过那部分之后额外生成的轨迹只是在重复。与此同时,Δcovappearance\Delta\mathrm{cov}_{\text{appearance}} 随 rr 下降——真实数据的比例被稀释,策略对外观的建模也随之变弱。两者相加在某个点达到最大,之后下降。

这个模型给出了混合比例的一个策略而不是一个数字:把仿真数据用去覆盖「状态空间的格子」,而不是「总量」。先确定策略需要覆盖的状态维度(物体位置、初始朝向、数量、堆叠关系),然后在那个格子里去生成,直到每个格子都有数据;超过之后就不要继续加,因为新增的只是在重复。这与第二十四篇「坑三:把覆盖增量当成多样性」是同一条原则的具体应用。

MimicGen 的系统总览:少量源演示经拆解与变换,生成覆盖多种物体与场景的新演示

图源:MimicGen(arXiv:2310.17596)Figure 1。MimicGen 的数据生成目标从来不是「堆总量」,而是「把少量源演示的每一种意图,复用到不同的物体、不同的初始位置、不同的场景上」——也就是在状态空间里铺格子。图的左侧是少量源演示,右侧是变换后的成批数据,两者之间的分叉点就是「格子」的定义方式。

账本:三种引擎的每条轨迹成本

到这里,可以把两条引擎和「组合」拆成本。这一节不写绝对数值,而是把成本结构拆成可以代入具体参数的式子——因为平台不同、场景不同,绝对数值没有意义。

对一条长度为 TT 步、状态维度为 dd 的轨迹,设三种引擎的单步成本分别为:

  • csimc_{\text{sim}}:仿真器推进一步 + 渲染一帧的成本(并行度已经摊掉)
  • crenderc_{\text{render}}:扩散渲染单帧的成本
  • cwmc_{\text{wm}}:世界模型生成一帧的成本
  • cverifyc_{\text{verify}}:状态提取 + 仿真重放一步的成本
  • clabelc_{\text{label}}:标注(IDM 或仿真逆动力学)一步的成本

那么三种纯引擎的单条轨迹成本是:

Csim≈T⋅csimC_{\text{sim}} \approx T \cdot c_{\text{sim}}Crender-sim≈T⋅(csim+crender)C_{\text{render-sim}} \approx T \cdot (c_{\text{sim}} + c_{\text{render}})Cwm≈T⋅cwmC_{\text{wm}} \approx T \cdot c_{\text{wm}}

组合引擎的成本是「生成本身 + 校验 + 标注」:

Chybrid≈T⋅(cwm+cverify+clabel)C_{\text{hybrid}} \approx T \cdot \left( c_{\text{wm}} + c_{\text{verify}} + c_{\text{label}} \right)

再加上「通过率」这一项——组合引擎的成本要除以通过率 ρ\rho(被校验通过的比例),才得到每条可用轨迹的成本:

Chybrideff=T⋅(cwm+cverify+clabel)ρC_{\text{hybrid}}^{\text{eff}} = \frac{T \cdot \left( c_{\text{wm}} + c_{\text{verify}} + c_{\text{label}} \right)}{\rho}

这几个式子的工程含义有三条:

第一,仿真器的成本优势来自并行度。csimc_{\text{sim}} 在一台 GPU 上可以摊到几千个环境,而 crenderc_{\text{render}} 和 cwmc_{\text{wm}} 都要做一次完整的前向,通常只能摊到几十个 batch。所以「仿真器便宜」的核心是「并行度」而不是「单颗算力」。这也意味着,如果渲染能被高度批量化的模型承担,crenderc_{\text{render}} 的并行度也会上升,这一项的优势会被缩小。

第二,组合引擎的成本大头往往是校验而不是生成。cverifyc_{\text{verify}} 里包含状态提取(一个视觉逆问题)和仿真重放,前者在单帧上很贵,后者在仿真器这边很便宜。工程上更合理的做法是把校验做成稀疏的:不必每一帧都校验,只在分歧点附近或每隔几十帧校验一次。

第三,通过率 ρ\rho 是组合引擎真正的杠杆。若 ρ=0.5\rho = 0.5,成本翻倍;若 ρ=0.8\rho = 0.8,成本只放大 1.25 倍。所以工艺二的设计目标,其实是「在保证坏轨迹被拦下的前提下,把 ρ\rho 拉到尽可能高」——这正是「放行阈值」那个工程旋钮的意义。

把三种引擎的典型成本结构并排对比:

引擎主要成本主要风险适用场景
解析物理仿真器物理求解 + 素材搭建接触/资产/参数三处失真大量受控变化、需要特权信息或精确标签
仿真器 + 扩散渲染渲染成本线性增加条件保真度有限、渲染吞吐瓶颈外观是关键因素而状态可精确获取
纯生成式世界模型视频生成几何漂移、动作滞后、恒常性失真单视角、短片段、外观极重要的任务
组合引擎生成 + 校验 + 标注通过率与状态提取误差需要同时兼顾状态与外观的高质量数据

这张表不给「选哪个」的答案,因为它给的是成本结构。实际选择要看的是:任务里哪一条误差最伤策略——是接触精度(选仿真器)、是视觉泛化(选世界模型)、还是两者都要(选组合)。

一个具体任务的对账

落一个任务上看这几条结论怎么用。假设目标是让一台单臂机械臂在厨房里学「把目标物体放进篮子并关上柜门」,当前真实数据只覆盖一个初始位置、一个柜门型号。

第一步,先确定状态空间的格子:物体种类(库里有 24 种)、初始位置(每个物体 8 个采样位置)、柜门型号(2 种)。理想覆盖是 24×8×2=38424 \times 8 \times 2 = 384 个格子。真实数据覆盖 1 个格子,所以仿真数据的首要任务是铺格子。

第二步,对每个格子判断用哪种引擎:

  • 物体种类、初始位置这些是仿真器最擅长的——它能精确地把物体摆到指定位置,所以这些格子的主体数据交给仿真器(工艺三里的「接近—移动—放置」段,加上 RoboCasa 式的物体替换)。
  • 柜门开合这一刻的接触与铰链动力学是仿真器弱项、世界模型强项区间(时长短、几何清晰),所以柜门段交给工艺一渲染过的仿真数据,或者工艺三拼接。
  • 篮子边缘的接触是两边的弱项——仿真器接触不准,世界模型可能画出物体穿过篮壁。这一段只保留「通过工艺二校验」的轨迹。

第三步,算账。假设每个格子里生成 20 条轨迹、每条 600 步、状态维度 30:

Ctotal≈384×20×[600⋅csim  +  α⋅180⋅crender  +  1ρverify⋅600⋅cverify]C_{\text{total}} \approx 384 \times 20 \times \left[ 600 \cdot c_{\text{sim}} \;+\; \alpha \cdot 180 \cdot c_{\text{render}} \;+\; \frac{1}{\rho_{\text{verify}}} \cdot 600 \cdot c_{\text{verify}} \right]

其中 α\alpha 是被渲染的那部分步数比例(只有柜门段约 180 步需要渲染),csimc_{\text{sim}} 已经在并行度上摊过。这个式子给出的结构是:仿真器的部分随格子数线性增长,渲染部分只随需要渲染的步数增长,校验部分随通过率倒数放大。所以工程上的最优顺序是:

  1. 先把 cverifyc_{\text{verify}} 的稀疏化做掉——只在分歧点附近校验。
  2. 再把 ρverify\rho_{\text{verify}} 的阈值调到位——太低会浪费,太高会放大成本。
  3. 最后再决定每个格子生成几条——超过覆盖需要的部分不加。

第四步,验收。这份混合数据进入训练之后,验收不能只看仿真环境里的成功率——它必须落在真机的 384 个格子上。第二十四篇的「第六道防线」在这里变成:每个格子都要有一份真机的判据,否则混合比例和通过率这两项都无从校准。

工程坑

坑一:用仿真器的成功率验收世界模型数据

世界模型数据进入训练集之后,在仿真环境里跑一遍成功率,看到成功率上升就认为「这批数据有效」。这个推理是错的:仿真环境的成功率和真机成功率之间的差距,恰恰是仿真器三条约束(接触、资产、参数)的合计误差。用仿真器验收,等于拿一把本身有偏差的尺子量新数据的质量。验收必须落在真机。

坑二:把「渲染保真度」当成「策略可用性」

工艺一的渲染保真度可以做到非常高——肉眼几乎分不出是渲染还是实拍。但这并不等于策略可用性:策略在训练时学到的是「像素特征与动作的关联」,如果渲染出来的材质被先验替换成了另一个看起来相似但性质不同的物体(比如把金属画成塑料),策略学到的关联在真机上就会失效。验收渲染数据时,应该比较渲染与实际在相机视角一致下的特征分布,而不是只用肉眼判断。

坑三:忽略拼接处的时序

工艺三的拼接处最容易出问题,而问题往往不是视觉跳变,而是时序错位。仿真器段结束到世界模型段开始,中间如果多了一帧或少了一帧,动作序列的索引就会错位,训练时动作和像素的配对就错了半帧。这类错误在数据统计里完全看不出来(段数、帧数都对),只有在下游策略的失败样本里才能追溯。

坑四:用同一份世界模型做生成器又做校验器

工艺二里,校验要依赖「世界模型生成的视频」被仿真器重放。如果重放的状态提取本身用了同一个世界模型(比如用它的潜动作模型),那么误差会闭成一个环——世界模型画的错位会被它自己的潜动作模型「认可」,校验变成自己校验自己。这是第二十四篇「坑二」的变体。校验器必须来自独立的一侧。

坑五:把域随机化当成万能钥匙

仿真器的参数误差靠域随机化去包住,这在很多任务上是对的。但如果真实参数落在随机化区间之外(比如真实的桌面摩擦比选定的区间低得多),策略会在「参数覆盖之外」的系统性偏移下失败。域随机化的区间必须被少量真机数据校准——这就是混合里必须有真实数据的另一个理由,它不光提供外观覆盖,还提供参数覆盖。

小结

这一篇把第二十四篇结尾点名的那个问题落到了具体的工程上:世界模型与物理仿真器联合当数据引擎,谁负责什么、误差如何叠加、成本怎么算。

拆开看,两个引擎的强项和弱项是严格错开的:

  • 仿真器提供显式状态、可编辑的场景、确定性的复现、特权信息与精确的动作标签;但它在接触、资产、参数三处必然失真,视觉上要靠手工搭素材。
  • 世界模型提供真实的观感、单视角下几乎无缝的画面、低成本的场景扩展;但它没有持久状态,几何会漂、物体会串、动作有滞后。

两者组合之所以有意义,不是因为「都能造数据」,而是因为一个引擎的强项恰好落在另一个的弱项上,而且两边的误差在结构上是正交的。四种工艺(世界模型当渲染器、仿真器当校验器、任务切段各造一半、仿真器当标注器)都是在这条正交性上面构造的拼接方式。它们的共同边界也都来自同一条式子:复合误差 =δsim+Jsim→obs⋅δwm= \delta_{\text{sim}} + J_{\text{sim}\to\text{obs}} \cdot \delta_{\text{wm}},分工的价值正比于「世界模型的误差落在仿真器可判定的状态空间上」的概率。

从这里还可以往下走两条相邻的线。一条是任务切段的自动化:现在切段靠人工判断「哪一段交给谁」,能不能让一个系统根据状态提取的成功率和接触密度自动切?另一条是动态混合:混合比例现在在训练前确定,能不能根据训练中策略的分布反馈,动态地调整下一批要生成哪些格子?这两条都还在很早期。下一篇将讨论第一条——任务切段与引擎选择的自动化,即一个数据引擎如何根据任务的结构自动决定每一段由哪个引擎生成,以及这种自动化在误差对账上会不会带来新的问题。

参考资料

  1. Sim-and-Real Co-Training: A Simple Recipe for Vision-Based Robotic Manipulation
  2. MimicGen: A Data Generation System for Scalable Robot Learning using Human Demonstrations
  3. DexMimicGen: Automated Data Generation for Bimanual Dexterous Manipulation via Imitation Learning
  4. RoboCasa: Large-Scale Simulation of Everyday Tasks for Generalist Robots
  5. Isaac Lab: A GPU-Accelerated Simulation Framework for Multi-Modal Robot Learning
  6. DreamGen: Unlocking Generalization in Robot Learning through Video World Models
  7. Cosmos World Foundation Model Platform for Physical AI
  8. GigaWorld-1: A Roadmap to Build World Models for Robot Policy Evaluation
  9. Ctrl-World: A Controllable Generative World Model for Robot Manipulation
  10. Learning Interactive Real-World Simulators
  11. WorldEval: World Model as Real-World Robot Policies Evaluator
  12. When to Trust Your Model: Model-Based Policy Optimization
  13. DayDreamer: World Models for Physical Robot Learning
  14. TD-MPC2: Scalable, Robust World Models for Continuous Control
  15. A Mechanistic Analysis of Sim-and-Real Co-Training in Generative Robot Policies
  16. RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation
  17. RMA: Rapid Motor Adaptation for Legged Robots

仿真器的三条硬约束:接触、物体与参数

(待写)

世界模型的三种失真:几何、恒常与因果

(待写)

为什么能互补:两类误差的方向是正交的

(待写)

工艺一:世界模型当仿真器的渲染器

(待写)

工艺二:仿真器当世界模型的物理校验器

(待写)

工艺三:一个任务,两个引擎各造一半

(待写)

工艺四:仿真器当特权信息源与标注器

(待写)

误差叠加:什么时候一加一小于一

(待写)

混合比例:仿真数据到底该占多少

(待写)

账本:三种引擎的每条轨迹成本

(待写)

一个具体任务的对账

(待写)

工程坑

(待写)

小结

(待写)

参考资料

(待写)

文章分享

如果这篇文章对你有帮助,欢迎分享给更多人!

世界模型从零讲起(二十五):两个引擎一起造数据——物理仿真器与生成式世界模型的分工与对账
https://pinghaoyang.com.cn/articles/insights/posts/world-model-sim-generative-data-engine/
作者
平昊阳
发布于
2026-11-19
许可协议
CC BY-NC-SA 4.0

评论区

访客信息
--°天气加载中

正在获取所在地区…

💨 风力--
💧 湿度--

正在读取天气

Profile Image of the Author
平昊阳
乘长风,破巨浪, 展鸿图于未央!
公告
欢迎来到我的个人博客!欢迎关注交流吖!
更多相关公告,见
「社交-留言」。
音乐
封面

音乐

暂未播放

0:000:00
暂无歌词
站点统计
文章
572
分类
29
标签
659
总字数
8,320,312
运行时长
0 天
最后活动
0 天前

文章目录