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。