# DreamFAR世界模型：纯机器人数据训练实现10FPS长程接触预测

> 原文链接：https://robotics.hellobike.com/papers/2026-11-18-2611-22001-0ac9a3c1
> 频道：papers | 更新日期：2026-11-18 | 标签：auto, arxiv
> 核心摘要：DreamFAR摒弃互联网视频预训练，基于大规模机器人遥操作数据从头训练动力学模型。该模型在商用GPU达10FPS实时推理，显著优于现有模型对长程接触与因果关系的理解，支持策略评估与混合数据协同训练。

# DreamFAR世界模型：纯机器人数据训练实现10FPS长程接触预测

::: v-pre
> 本文由 AI 根据公开内容整理，可能有误，请以原文为准：[DreamFAR: Real-Time and Long-Horizon Interaction with Diverse Objects](https://arxiv.org/abs/2611.22001)（arXiv 2611.22001）

## 核心内容

针对现有世界模型难以模拟长程接触丰富事件的问题，研究团队提出DreamFAR架构。该模型完全基于大规模机器人原生遥操作数据集从零训练动力学模块，未使用任何互联网视频预训练。实验表明，DreamFAR在预测长程未来状态方面显著优于现有模型，且在商用GPU上实现了10 FPS的实时推理速度，验证了专用数据路线的有效性。

技术层面，DreamFAR采用专为机器人原生数据设计的架构与学习策略，虽参数量远小于高性能视频生成模型，但对物理接触和因果逻辑的理解更强。除作为高保真仿真器外，该模型还拓展了策略评估与混合数据协同训练等应用，解决了通用视频模型在具身操控任务中缺乏物理一致性的痛点，为机器人操作提供了轻量级实时世界模型范式。

## 关键看点

- **数据范式**：摒弃互联网视频预训练，仅用大规模机器人遥操作数据从头训练动力学模型
- **推理性能**：在商用GPU上实现10 FPS实时推理，参数量显著小于主流视频生成模型
- **核心能力**：长程未来预测性能超越现有模型，具备更强的接触物理与因果关系理解
- **应用场景**：支持机器人策略评估及混合数据协同训练，解决通用模型物理一致性缺失问题

## 工程与产业观察

DreamFAR证明专用机器人数据训练的世界模型在接触理解与实时性上优于通用视频大模型。其10FPS推理与策略评估能力，为具身智能提供了低成本、高保真的在线仿真与数据增强基础设施，指明了从“看视频”转向“学交互”的技术演进方向。

## 英文摘要 (Abstract)

World models have shown great potential in serving as a simulator for robot manipulation. However, existing models are either fit to a single environment or lack ability to simulate long-horizon contact-rich events. We present DreamFAR, a world model whose dynamics model is trained from scratch on a large robot-native teleoperation dataset, with no internet-video pretraining. We present an architecture and learning recipe designed for training on robot-native data. DreamFAR is significantly smaller than the high-performance video generation models, yet shows better understanding of contact and causality, and runs 10 FPS on a commercial GPU. Experimentally, DreamFAR significantly outperforms existing models in predicting the long-horizon future. We further demonstrate various applications where DreamFAR can be used, including policy evaluation and mixed-data co-training. Project page: https://www.yimingdou.com/DreamFAR/

作者：Yiming Dou, Botao He, Antonio Loquercio, Andrew Owens, Jitendra Malik, Sumedh Anand Sontakke, Ruoshi Liu
:::

## 原始参考来源 (Sources)

- [arXiv 2611.22001：DreamFAR: Real-Time and Long-Horizon Interaction with Diverse Objects](https://arxiv.org/abs/2611.22001)