# worlddit

> 权威词条地址：https://robotics.hellobike.com/models/bageldotcom-worlddit
> 所属分类：models | 最近核验日期：2026-07-31 | 技术层级：L7

## 核心摘要

bageldotcom 在 Hugging Face 发布的机器人模型，架构为 WorldDiTPolicy。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `layers` | ["L7"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/bageldotcom/worlddit"}] |
| `updated` | 2026-07-31 |
| `family` | world_model |
| `params` | 399.084 million total parameters; 135.107 million trainable parameters |
| `architecture` | WorldDiTPolicy |
| `action_representation` | 连续关节目标位置 (Joint Position Targets) |
| `code_license` | cc-by-4.0 |
| `weights_license` | cc-by-4.0 |
| `data_formats` | ["SafeTensors"] |
| `status` | research |
| `hub_id` | bageldotcom/worlddit |
| `hub_stats` | {"downloads": 37, "likes": 10, "as_of": "2026-10-21"} |
| `overview_sources` | ["https://huggingface.co/bageldotcom/worlddit"] |

## 技术详解与生态说明

WorldDiT 是 Bagel Labs 发布的用于语言条件机器人操作的统一扩散骨干模型，把连续动作生成与辅助未来归一化 RGB patch 预测放在一个 diffusion transformer 中。当前仓库面向 LIBERO 仿真评测，提供 Spatial、Object、Goal、Long 四个检查点、自包含推理运行时和评测器，权重格式为 SafeTensors。模型使用 3 步观测历史，包含主视角与腕部图像、机器人状态和一条语言指令；视觉编码器为 MAE ViT-B，语言编码器为 OpenAI CLIP ViT-B/32。训练时监督 7 步动作和未来 RGB patch 目标；部署时 RGB patch token 与预测头不进入推理图，控制器预测 7 个动作、执行前 3 个后重新观测并重规划。发布结果在 LIBERO 四个 suite 上汇总 2,000 个仿真 episode，报告平均成功率 94.9%。该发布适用于世界模型与动作建模、复现和评测多模态扩散骨干；真实机器人可靠性、安全性、跨本体迁移、训练成本、部署延迟和运行效率仍需专门评估。许可为 Creative Commons Attribution 4.0 International。

## 原始核验来源 (Sources)

- [Hugging Face bageldotcom/worlddit](https://huggingface.co/bageldotcom/worlddit)