无需重新训练的自主适应机器人？这个新框架可能真的能做到

现代视觉-语言-动作（VLA）模型是机器人控制的核心，但当环境变化时它们会迅速失效。OpenMOSS团队于2026年6月24日发布在arXiv上的一篇新论文提供了一个解决方案：上下文世界建模（ICWM）。该框架重新思考了机器人如何适应摄像头角度、机器人身体类型或其他系统特定变量的变化，无需昂贵的微调或参数更新。lerobot-v060-imagining-the-future-without-paying-for-it-at-inference

标准VLA模型的问题

典型的VLA模型处理视觉输入和语言指令以生成电机指令。但它们并未明确考虑系统的底层配置，例如摄像头位置、手臂长度或夹持器类型。这意味着模型隐式假设其运行在与训练时完全相同的上下文中。当机器人进入新设置时，性能会急剧下降。工程师随后必须收集新数据并重新训练，论文称这一过程数据密集且缓慢。navigating-the-edge-new-framework-promises-safer-ai-deployment-in-critical-systems

上下文适应，而非微调

ICWM将系统识别重新定义为上下文适应问题。它并非依赖传统的上下文学习（In-Context Learning）中使用静态演示告诉模型要做什么任务，而是利用短暂的自生、任务无关的交互历史来教会模型系统如何运作。

“与传统的上下文学习使用演示来指定要执行什么任务不同，ICWM利用上下文窗口来理解系统如何运作。”

机器人首先执行一系列短暂的随机或探索性动作，如摆动手臂、旋转关节、向前移动，这些动作完全独立于任何任务。这些交互作为额外上下文在实际任务指令前输入到基于Transformer的策略中。通过处理这些自生数据，模型隐式学习了当前系统的世界动态，从摄像头内参和手臂运动学到机器人的惯性属性。jet-longs-bifocal-attention-is-forcing-a-rethink-of-long-context-efficiency-trade-offs

结果：在新视点上优于基线

团队在模拟环境和真实机器人上测试了ICWM。在模拟环境中，当摄像头视角改变时，ICWM显著优于标准VLA基线。这种改进在多个随机种子和环境配置中保持一致，表明该方法捕捉了真正的系统级不变性，而非记忆固定模式。真实世界实验证实了这一趋势：使用ICWM的机器人在摄像头位置偏移的情况下成功完成了抓取放置和导航任务，而基线模型则完全失败。

论文在摘要中未报告精确的成功率或统计置信区间。但它强调，ICWM在短暂的预任务交互阶段后不需要任何参数更新。仅这一点就足以吸引那些希望在不同机器人硬件上部署同一模型或快速适应实验室设置变化的团队。

更广泛的背景与未来工作

这项研究正值机器人研究界寻找使大型基础模型在实际部署中更实用的方法之际。目前大多数方法都要求大量的领域特定微调，或依赖并不总能干净迁移到物理硬件的高保真模拟器。ICWM提供了一种更轻量的替代方案：一个短暂的交互阶段和一个足够大的上下文窗口，既能容纳系统历史又能容纳任务指令。recursivemas-scaling-multi-agent-collaboration-through-latent-space-recursion

作者指出，该框架目前假设在交互和任务阶段机器人形态固定；如果机器人的身体在任务中途发生变化，模型需要新的适应过程。将ICWM扩展到处理连续或动态系统识别仍是一个开放方向。gpt-55-dominates-a-new-benchmark-for-agents-that-rewrite-their-own-rules

可用性

该论文以标题《用于机器人控制的上下文世界建模》（arXiv:2606.12345）发布在arXiv上。代码和其他资源预计来自OpenMOSS团队的仓库，但提交时未提供官方链接。

该论文在发布时在Hugging Face上获得了42个点赞，表明社区对这种用于机器人的上下文适应方法有强烈兴趣。