docs(research): add world-models paradigm-redesign-2026 survey

- Add literature survey on 2026.05 dual paradigm-shifting works:
  OrbiSim (differentiable physics engine) and WEM (world-ego disentanglement)
- Files: _index.md, orbisim_review.md, wem_review.md, joint_synthesis.md
- Update research/world-models/_index.md to register new sub-section

research/world-models/paradigm-redesign-2026/wem_review.md

@@ -0,0 +1,209 @@
+---
+title: "WEM 深度解读：把世界模型拆成『世界』与『自我』两支"
+date: 2026-05-20
+lastmod: 2026-05-20
+draft: false
+summary: "WEM (arXiv:2605.19957) 提出 World-Ego Modeling 新范式，把未来演化分解为 world / ego 两支，并通过 CP-MoE 扩散生成器在长视野混合导航-操作任务上把 EWMScore 推到 61.48。"
+tags: ["world-models", "world-ego-disentanglement", "diffusion", "MoE", "embodied-ai", "long-horizon", "HTEWorld", "WEM"]
+categories: ["research", "world-models"]
+weight: 30
+math: true
+toc: true
+---
+
+## 1. 摘要复述
+
+**WEM**[^1]（World-Ego Model）由 CASIA / 国科大 / 中关村学院 / 上交 / 北大联合提出（一作 Zuyao Lin，通讯 Xingyu Chen），其核心论断是：
+
+> 现有世界模型把"持久的、指令无关的场景规律（world）"和"以机器人为中心的、指令条件化的动力学（ego）"塞在**同一条预测流**里，导致**长视野混合任务**（hybrid navigation-manipulation）严重退化。
+
+WEM 把未来视频生成显式分解为 $S^{w}$（world state）与 $S^{e}$（ego state）两支，并给出三种边界定义（motion / semantic / intention）和三种解耦策略（pre / post / full）。架构上采用**冻结的 Qwen3-VL-2B**[^9] 做规划，加上**基于 Wan2.2-TI2V-5B**[^8] 的 **CP-MoE DiT** 做生成。同时发布了**首个混合导航-操作长视野基准 HTEWorld**：125K 训练片段（4.5M+ 帧）+ 300 评估轨迹（2K+ 指令），并公开模型 [`Zoorao/WEM`](https://huggingface.co/Zoorao/WEM) 与数据集 [`Zoorao/HTEWorld`](https://huggingface.co/datasets/Zoorao/HTEWorld)。
+
+在 HTEWorld 上，WEM 的综合指标 **EWMScore = 61.48**，超过 PAN-style 5B（58.40）、Cosmos-Predict 2.5-14B（55.41）、WoW-7B（53.44）等所有基线。
+
+## 2. 动机：长视野混合任务为什么会退化
+
+作者把"具身长视野"拆出一个被忽视的子集：**混合导航-操作任务**——机器人需要在大场景里走过去、找到目标、操作、再走回来或进入下一个房间。这类任务有两个特殊难点：
+
+1. **场景规律是持久的**：墙、家具、室内布局对任何指令都基本不变；
+2. **机器人动力学是瞬时且指令相关的**：手臂轨迹、抓取序列高度依赖指令。
+
+如果用单流 video predictor（Cosmos、WoW、Wan2.2）建模，二者的统计特征会互相污染：长视野自回归 rollout 时，scene 漂移导致 ego 失锚，ego 噪声又反馈进 scene token，最终视频陷入"语义糊掉 + 物体闪现"的失败模式。
+
+WEM 的诊断是：**这不是参数量不够，是分解结构不对**。哪怕 Cosmos-Predict 2.5-14B 这种 14B 模型，在 HTEWorld 上 EWMScore 也只有 55.41，落后于 5B 量级的 PAN-style（58.40）和 WEM 自身（61.48）。
+
+## 3. 方法
+
+### 3.1 形式化：World-Ego 分解
+
+设未来时刻 $k$ 的隐状态为 $S_k$，WEM 把它显式分解为：
+
+$$
+S_k = S^{w}_k \;\oplus\; S^{e}_k
+$$
+
+其中 $S^{w}_k$ 是指令无关的世界 token，$S^{e}_k$ 是指令条件化的自我 token。生成目标用 flow-matching 损失，并加上掩码一致性正则：
+
+$$
+\mathcal{L} = \mathcal{L}_{\text{FM}}\bigl(\hat{v}_\theta(S_k, \text{instr}, t), v^{*}_k\bigr) \;+\; \lambda \,\mathcal{L}_{\text{mask}}(S^{w}_k, S^{e}_k)
+$$
+
+### 3.2 三种 World-Ego 边界
+
+| 边界 | 定义 | EWMScore |
+|---|---|---|
+| Motion-based | 用光流幅值阈值 | 59.36 |
+| **Semantic-based**（默认） | 用实例分割决定哪个 patch 属于机器人本体 | **61.48** |
+| Intention-based | 用指令对齐的注意力图 | 58.69 |
+
+Semantic 在三者中最优，因为它直接利用**像素级语义边界**，最不易被运动模糊或指令歧义污染。代价是推理时依赖实例分割掩码。
+
+### 3.3 三种解耦策略
+
+| 策略 | 何时分两支 | EWMScore |
+|---|---|---|
+| 无解耦（baseline, PAN-style） | 始终单流 | 58.40 |
+| Pre-disent | 输入阶段就分流 | 58.85 |
+| Post-disent（w/ semantic proxy） | 生成后再分 | 61.09 |
+| **Full-disent**（默认） | 输入、注意力、专家、输出全程分 | **61.48** |
+
+### 3.4 架构总览
+
+```
+指令 + 历史帧
+     │
+     ▼
+┌──────────────────────────┐
+│ Qwen3-VL-2B (frozen)     │  ← 规划：产生 world/ego query
+│ + Role-Conditioned Attn  │
+│ + Asymmetric Query Budget│   192 world tokens / 64 ego tokens
+└─────────────┬────────────┘
+              │ 256 cond. tokens
+              ▼
+┌──────────────────────────┐
+│ CP-MoE DiT (Wan2.2-TI2V) │
+│  ├─ 24 shared DiT blocks │
+│  ├─ semantic head        │  ← world/ego routing
+│  ├─ 6 world expert blocks│   ┐
+│  ├─ 6 ego expert blocks  │   ├─ parallel
+│  └─ unrouting + FM head  │   ┘
+└─────────────┬────────────┘
+              ▼
+        未来视频 chunk
+```
+
+几个关键点：
+
+- **Role-Conditioned Attention (RCA)**：在 cross-attn 里用 role tag 区分 world / ego query，使 Qwen 输出的 256 个 condition token 一开始就带有解耦先验。
+- **Asymmetric Query Budget（192 + 64）**：world 比 ego 多 3×，因为场景信息更丰富但变化更慢；ego 较少但更密集地参与动力学预测。消融显示去掉非对称预算后 EWMScore 跌到 60.50。
+- **CP-MoE = Cascade-Parallel MoE**：24 个 DiT block 共享，之后 semantic head 路由到 world / ego 专家各 6 个 block 并行，再 unrouting 汇总进入 flow-matching head。
+- **Neighbor-Expanded Routing**：路由不是 hard top-1，而是把空间邻居也带入对应专家，去掉后 EWMScore 跌至 59.57。
+
+### 3.5 训练配置
+
+- 16× A100 80GB；lr = 1e-5；EMA 0.99；4 epochs；
+- 480×480 @ 16 FPS；35 diffusion steps；37 frames / chunk；
+- 在 BEHAVIOR-1K 衍生数据上构建 125K 训练片段（>4.5M 帧）。
+
+## 4. 实验
+
+### 4.1 HTEWorld 主结果
+
+| 模型 | 规模 | EWMScore ↑ |
+|---|---|---|
+| WoW-7B | 7B | 53.44 |
+| Cosmos-Predict 2.5 | 2B | 54.83 |
+| Cosmos-Predict 2.5 | 14B | 55.41 |
+| PAN-style | 5B | 58.40 |
+| **WEM** | 5B | **61.48** |
+
+值得注意的是 **WEM 5B 战胜了 Cosmos 14B 近 6.1 分**。说明结构性解耦的边际收益超过 3× 参数扩张。
+
+### 4.2 设计研究（Design Study）
+
+| Study | 变量 | 最优 | 次优 | 差距 |
+|---|---|---|---|---|
+| I — 边界 | motion / semantic / intention | Semantic 61.48 | Motion 59.36 | +2.12 |
+| II — 策略 | pre / post / full / none | Full 61.48 | Post 61.09 | +0.39 |
+
+### 4.3 WorldArena 兼容性
+
+| 模型 | WorldArena |
+|---|---|
+| IRASim[^6] | 58.12 |
+| Ctrl-World | 59.70 |
+| **WEM** | 58.10 |
+
+WEM 在 WorldArena 上不掉队（接近 IRASim 和 Ctrl-World），说明 world-ego 解耦不是"只在 HTEWorld 上有效"的过拟合 trick。
+
+### 4.4 关键消融
+
+| 移除组件 | EWMScore |
+|---|---|
+| 完整 WEM | 61.48 |
+| − Asymmetric Query Budget | 60.50 |
+| − Role-Conditioned Attention | 60.64 |
+| − Neighbor-Expanded Routing | 59.57 |
+
+三者均贡献 ~1 分，叠加起来正好恢复至 baseline 58.40 附近。
+
+### 4.5 HTEWorld 的 6 项专属指标
+
+WEM 顺带提出了 6 个针对混合长视野的指标：
+
+- **RCBD**（Robot–Context Boundary Drift）：world / ego 边界漂移；
+- **LPSA**（Long-horizon Persistent Scene Adherence）：长视野场景一致性；
+- **CISR**（Cross-Instruction Style Robustness）：跨指令风格鲁棒性；
+- **PMPA**（Per-Manipulation Pose Accuracy）：操作位姿精度；
+- **CPDM**（Cross-Phase Dynamics Matching）：阶段切换处的动力学一致；
+- **FPHS**（Full-Pipeline Human Score）：人类打分。
+
+EWMScore 即是六者的加权融合，使评测既覆盖物理控制又覆盖视频质量。
+
+## 5. 个人评析
+
+### 5.1 真正的范式贡献
+
+WEM 把"为什么 video world model 在具身长视野任务上不行"这一长期被归咎于参数量或数据的问题，**转译成了一个明确可拆解的结构性问题**：world 与 ego 没有分流。Cosmos-14B 的 55.41 vs WEM-5B 的 61.48 这一组数字本身就是论文的全部说服力来源——它说明扩参数无法补结构。
+
+### 5.2 真正的硬约束
+
+1. **仅在仿真数据评测**：BEHAVIOR-1K 是高保真仿真但不是真机，sim-to-real 完全未验证；
+2. **默认依赖实例分割标注**：Semantic 边界优于 motion / intention 的代价是必须在训练数据里提供分割掩码，部署到无标注真实数据的扩展路径尚不清晰；
+3. **长视野自回归仍有 chunk 间漂移**：37 帧/chunk 的拼接处依然出现一致性下降（论文 LPSA 指标中可看出），未根治；
+4. **缺乏可微动力学闭环**：和 OrbiSim 相反，WEM 没有提供"用梯度训练机器人策略"的接口——它依然是生成器，不是仿真器；
+5. **MoE 推理成本**：CP-MoE 引入约 +30% 推理延迟（论文附录），实时控制不友好。
+
+### 5.3 一句话总结
+
+WEM 是 2026 年最有力地把"世界模型应该分世界与自我两支"这一直觉**做成可复现 5B 模型 + 公开基准**的工作；它最大的不足是把所有筹码都压在视频生成端，对策略闭环和真实域几乎没有覆盖。
+
+## 6. 与同期工作的关系
+
+- **vs OrbiSim**[^10]：完全互补——OrbiSim 在物理状态层做可微（state-vs-vision），WEM 在视频生成层做语义分解（world-vs-ego）。范式合流的可能性见综述主文 [`joint_synthesis.md`](joint_synthesis.md) §7。
+- **vs Cosmos-Predict 2.5**[^4]：Cosmos 是单流大模型路线（2B / 14B），EWMScore 落后 WEM 6.1 分，证明结构 > 规模。
+- **vs WoW-7B**[^5]：WoW 是当下生成式世界模型的代表之一，53.44 vs 61.48 的差距说明"会预测视频"不等于"能完成混合任务"。
+- **vs IRASim / Ctrl-World**[^6]：WorldArena 上三者持平，说明 WEM 没有为通用基准牺牲单点能力。
+- **vs JEPA**[^7]：JEPA 提倡 latent-only 预测、抛弃像素；WEM 选择"保留像素 + 显式语义分支"，是另一种"避免 pixel 噪声"的工程化答案。
+
+## 参考文献
+
+[^1]: **World-Ego Modeling for Long-Horizon Evolution in Hybrid Embodied Tasks** (2026). _Zuyao Lin, Jianhui Zhang, Peidong Jia, Xiaoguang Zhao, Shanghang Zhang, Xingyu Chen._ arXiv:2605.19957. [[PDF]](../../papers/2605.19957v1.pdf) · [项目页](https://zgca-hmi-lab.github.io/WEM) · [HF 模型](https://huggingface.co/Zoorao/WEM) · [HF 数据集](https://huggingface.co/datasets/Zoorao/HTEWorld)
+
+[^2]: **BEHAVIOR-1K: A Benchmark for Embodied AI with 1,000 Everyday Activities** (2023).
+
+[^3]: **Wan2.2-TI2V: Text-Image-to-Video Generation** (2025).
+
+[^4]: **Cosmos-Predict 2.5** (2025). _NVIDIA._
+
+[^5]: **WoW: World-on-World Generative Model** (2025).
+
+[^6]: **IRASim / Ctrl-World** (2025).
+
+[^7]: **I-JEPA / V-JEPA** (2023–2024). _Yann LeCun et al._
+
+[^8]: **Wan2.2** (2025).
+
+[^9]: **Qwen3-VL** (2025). _Alibaba._
+
+[^10]: **OrbiSim** (2026). arXiv:2605.16395. [[PDF]](../../papers/2605.16395v1.pdf)