复旦邱锡鹏团队提出「上下文世界建模」：无需微调，VLA即可适应新环境
复旦大学邱锡鹏团队提出上下文世界建模（ICWM），让机器人在任务前执行随机探测动作，将交互上下文作为输入，无需微调和额外示范即可适应新环境。实验表明，该方法在跨视角和真实机器人场景中显著优于基线，有效提升泛化能力。
ICWM 是如何设计的？
与传统 VLA 模型相比，ICWM 的核心变化在于：它先根据交互上下文判断当前系统配置，然后再生成后续动作。整个流程分训练和推理两个阶段。 **训练阶段**：团队在每个任务样本前面拼接一段与任务无关的交互片段，作为上下文输入。模型根据交互带来的画面变化，推断当前系统的配置。有意思的是，ICWM 没有单独搞一个独立的世界模型，而是直接用 VLA 主干来处理这段交互历史。这么做既简化了结构，也让信息能直接为动作预测服务。 **推理阶段**：机器人不急着干活，先做一轮主动探测——记录动作前后的观测变化，形成所谓的“交互上下文”。然后模型把当前看到的上下文、画面和任务指令一起作为输入，判断接下来该怎么做。 
图｜ICWM 的训练与推理流程概览。
实验结果
团队在跨视角、真实机器人和多种分布外扰动场景上都做了实验。结果表明，ICWM 借助交互上下文大幅提升了对新环境的适应能力，并且展现出向语义变化和机器人形态变化等场景扩展的潜力。1. 仿真结果
在 LIBERO 仿真基准上的跨视角实验中，ICWM 在已见视角和新视角下都优于基线。相比单纯靠多视角训练的方法，它在已见视角下平均高出 8.1%，在新视角下平均高出 13.0%。即使直接把真实相机参数输给模型，它的泛化表现仍然不如 ICWM。在长时序任务上，ICWM 对累积误差的控制也更出色。 
图｜在 LIBERO 基准上，已见视角与未见视角的成功率（%）。
2. 真实机器人实验
在 UR5e 真实机器人平台上，ICWM 同样明显优于基线。团队用了一套 12 相机的多视角系统评估，任务覆盖堆叠、抓取和拾取、放置等操作。标准 VLA 对视角变化相当敏感——从训练视角切换到测试视角后，平均成功率从 68% 骤降到 17%，而 ICWM 的表现稳定得多。 
图｜在 UR5e 平台上的真实世界评测。
定性结果也很有意思：切换到新环境后，普通模型容易出现位置偏移、过早闭合夹爪等问题，ICWM 则基本保持稳定。 
图｜定性对比。
3. 消融与分析
消融实验证实，ICWM 的性能提升确实来自交互上下文，而不是简单的模式匹配。去掉图像信息后，模型表现下降最明显——平均成功率从 25.0% 降到 10.9%；去掉动作信息，或者不提供交互上下文，模型表现也会下降。更有意思的是，如果给一段错误的上下文，模型表现甚至比没有上下文时还差。对照实验还表明，模型必须经过专门训练才能利用交互上下文适应环境；否则，就算在测试时提供同样的信息，性能也几乎为零。 
图｜交互上下文消融实验。
从可视化结果来看，模型已经能区分不同视角和配置：相同视角下的数据分布更集中，不同视角之间的区分也更清晰。 
图｜不同分布外（OOD）视角下的 Ψ(T) 的 t-SNE 可视化。
团队还发现，ICWM 的效果并不依赖某一种特定的探测方式。无论采用随机探测，还是仅沿 XY、Z 或旋转方向运动，ICWM 都稳定优于对照方法，成功率提升约 15% 到 27%。泛化实验也显示，ICWM 对机器人形态变化有较强的适应性，在语义扰动场景下同样有一定提升。 
图｜分布外（OOD）视角下，不同探测策略的成功率（%）。
图｜对语义场景变化和机器人形态变化的鲁棒性。
不足与未来方向
ICWM 虽然显著提升了 VLA 在新环境中的适应能力，但团队也指出了几个短板。 首先是极端视角问题。在部分极端视角条件下，ICWM 的性能提升仍然有限。原因是这些视角往往伴随更严重的遮挡，操作目标在执行过程中也更容易短暂移出相机视野。后续需要结合多视角感知、主动视角调整以及更强的遮挡建模能力来突破。 其次是语义扰动场景。目前 ICWM 在这类场景下的提升仍比较有限——训练数据中的场景语义和组合配置还不够丰富。如果能进一步扩充场景语义和组合配置更丰富的训练数据，ICWM 在语义扰动场景中的表现有望继续提升。 更多技术细节，详见原论文。
AirBuddy 3 是面向 macOS 的蓝牙外设增强工具，可集中查看 AirPods、Beats 与苹果设备电量，提供快速连接、播放控制、电量提醒、桌面小组件和多台 Mac 外设接力等功能。
AirServer macOS版可把 Mac 转换为无线投屏接收端，通过 AirPlay 或 Google Cast 接收手机、平板和电脑画面，并支持多设备同时连接、高清镜像及会话录制，适合家庭娱乐、课堂教学、会议演示和应用展示。
Beamer 4是面向macOS的本地视频投屏工具，可将Mac中的影片投放到Apple TV、Chromecast及兼容设备，支持常见格式、多类字幕、环绕声、播放列表和电视遥控操作。
Boom 3D macOS版是一款系统级音效增强工具，可为音乐、电影、游戏和流媒体提供3D虚拟环绕声、31段均衡器、音量增强及应用独立音量控制，并支持本地播放器与多种音频输出设备。
Boris FX macOS版是一套面向剪辑、合成、调色及动态图形工作的专业后期工具，涵盖视觉特效、平面与三维跟踪、转描、画面修复、粒子动画和音频清理，可配合多种主流宿主软件使用。
Capto 是面向 macOS 的屏幕截图、高清录屏与媒体编辑工具，支持区域及整屏捕获、网页长截图、双音轨处理、图片和视频标注、素材分类与多渠道分享，适合教师、学生、内容创作者及需要制作演示教程的用户。
Cursor Crane 是一款仅面向 macOS 的键盘操控效率工具，可通过提示标签、网格、文字查找和窗口模式完成点击、滚动、定位与切换，并支持屏幕内容提取、脚本及工作流扩展。
Deep Freeze 冰点还原 macOS版通过冻结系统配置，让受保护的Mac在重新启动后回到预设状态，并提供解冻空间、维护计划、密码保护及Apple Remote Desktop管理能力。
Focusky macOS版是一款面向教学课件、商务汇报、产品展示和动画宣传内容的演示制作工具。它通过无限画布、路径编排、缩放旋转转场及多媒体编辑，将传统逐页幻灯片转化为更具空间感的动态演示。
Folder Colorizer 2 macOS版是一款直观的文件夹外观定制工具，可更换颜色，添加表情、贴纸及图片背景，并支持批量处理、智能推荐和恢复默认样式，帮助用户更快辨认工作、学习与生活资料。
AirServer Windows版可把电脑变成AirPlay、Google Cast和Miracast无线投屏接收端，适合会议演示、课堂教学及家庭大屏分享。发送设备通常无需另装客户端，并可同时接收和智能排列多个镜像会话。
AlwaysUp是一款面向Windows的系统服务注册与程序托管工具，可让普通应用、脚本及批处理在无人登录时随系统启动，并通过状态检测、异常重启、资源监控和邮件通知保障关键任务持续运行。
AnyDesk Windows版是一款轻量化远程桌面与技术支持工具，可用于控制异地电脑、传输文件、远程打印及无人值守访问。它兼顾连接响应、安全权限和部署灵活性，适合个人远程办公、企业设备维护与客服支持。
Boom 3D Windows版是一款面向音乐、电影和游戏场景的系统级音效增强工具，支持虚拟3D环绕声、31段均衡器、预设音效、应用音量控制及本地音乐播放，可配合耳机、扬声器和蓝牙耳机使用。
Boris FX Windows版是一套服务于影视剪辑、视觉特效、运动跟踪、转描、图像修饰及音频修复的专业创作工具集合，可作为插件接入多种主流后期宿主，也包含可独立运行的应用，适合剪辑师、特效师与内容创作者使用。
ChemDraw Windows版是一款面向化学研究、药物研发、材料科学和教学工作的专业结构绘图工具，可快速绘制分子、反应式及生物聚合物，并提供结构整理、格式转换、性质计算和科研文档协作能力。
CODESOFT Windows版是一套企业级条码与RFID标签设计打印工具，可连接Excel、Access、SQL及云端数据源，支持变量、表单、GS1条码、数据库记录和多种工业打印机，适合制造、仓储、物流及合规标识场景。
Deep Freeze 冰点还原 Windows版通过重启恢复技术保护系统盘及指定分区，自动撤销恶意程序、误操作和配置漂移造成的改动，并支持密码保护、解冻空间与多硬盘管理，适合学校机房、公共电脑、办公终端及家庭电脑使用。
EDIUS 11 Windows版是一款面向影视制作、广播电视、纪录片、短视频及教育机构的专业非线性编辑工具，支持4K/8K、多格式混编、HDR调色、字幕、音频处理和后台渲染，并提供素材管理及丰富的导出预设。
FastStone Capture Windows版是一款轻量级屏幕捕捉、录屏与图像编辑工具，可截取窗口、区域、菜单和滚动页面，并提供标注、模糊、取色、OCR、录音录像及多格式导出能力，适合办公说明、教程制作和问题反馈。
Focusky Windows版是一款动画演示与交互课件制作工具，通过无限画布、缩放旋转镜头、模板素材和对象动画组织内容，可导入PPTX，并输出视频、EXE、PDF、网页等格式，适用于课堂教学、微课、商务汇报及产品展示。