论文专题讲解：RISE：用组合式世界模型做机器人想象强化学习

论文信息

论文题名： RISE: Self-Improving Robot Policy with Compositional World Model。

作者： Jiazhi Yang、Kunyang Lin、Jinwei Li、Wencong Zhang、Tianwei Lin、Longyan Wu、Zhizhong Su、Hao Zhao、Ya-Qin Zhang、Li Chen、Ping Luo、Xiangyu Yue、Hongyang Li。

机构： The Chinese University of Hong Kong、Kinetix AI、The University of Hong Kong、Shanghai Innovation Institute、Horizon Robotics、Tsinghua University。

时间 / 主题： arXiv v1 2026-02-11，v2 2026-04-28；RSS 2026；世界模型、机器人强化学习、视频动力学模型、VLA 自我改进。

arXiv / 官方报告： arXiv：2602.11075；PDF：arxiv.org/pdf/2602.11075；项目页：opendrivelab.com/RISE。

GitHub / 项目： GitHub：OpenDriveLab/RISE。

元数据来源与核验口径： 来源：arXiv metadata、论文 PDF、官方项目页、官方 GitHub README；Checked Date：2026-08-08；Repro Status：Paper / official project / official code reviewed, independent reproduction not claimed。

原论文故事线

研究背景

RISE 的背景不是“视频世界模型能不能生成未来”，而是更具体的机器人训练问题：大 VLA 通过模仿学习能覆盖很多开放词汇任务，但在接触丰富、物体动态强、失败状态长尾的真实操作里，单纯行为克隆很容易暴露出 distribution shift。机器人一旦稍微抓偏、物体滑动或姿态偏离示教轨迹，策略就必须从自己造成的状态里恢复。

直接做真实机器人 on-policy RL 又很贵。它需要大量硬件交互、频繁 reset，还可能带来安全和设备磨损问题。于是论文把问题转向世界模型：如果我们能在模型里想象“执行这段动作后会看到什么”，再判断这些想象状态是否更接近成功，就可以把一部分 RL 更新搬到 imaginary space 里完成。

问题（Challenge）

RISE 要解决的问题是：如何在不大量增加真实机器人交互的情况下，让 VLA policy 通过 imagined rollout 自我改进。 这个问题有两个硬约束。第一，动力学模型必须对动作敏感，不能只生成视觉上顺滑的平均未来；同一初始状态下，不同 action chunk 应该导向不同多视角未来。第二，训练信号不能只等 episode 末端奖励，因为真实机器人任务失败形态复杂，长 horizon 终点奖励既稀疏又容易被生成误差污染。

因此 RISE 没有把 world model 做成一个单体 rollout simulator，而是拆成两个互补模块：一个 controllable dynamics model 负责预测未来观测，一个 progress value model 负责评价未来状态。前者回答“动作会把世界推向哪里”，后者回答“这个未来离成功近不近”。

Finding

论文的关键 finding 是：机器人世界模型未必需要在部署时替代策略，它可以在训练时充当可评估的想象环境。 RISE 不是让机器人执行世界模型生成的视频，也不是把未来视频直接解码成动作；它用世界模型为候选 action chunk 打 advantage，然后用这个 advantage 反过来训练 VLA。

这个 finding 把世界模型的角色从“生成器”换成“训练信号生产器”。组合式拆分也很重要：dynamics model 可以继承视频生成模型的多视角未来预测能力，value model 可以继承 VLA 的任务理解并学习 progress / TD 信号。两者组合后，策略获得的是 dense action-level advantage，而不是一个脆弱的长时模拟终局 reward。

方法

RISE 的方法有四步。第一，训练 controllable dynamics model。它从 Genie Envisioner / LTX-Video 风格视频模型初始化，加入轻量 action encoder，在 AgiBot World、Galaxea 等动作标注数据上预训练，再用具体任务数据 fine-tune，并用 Task-Centric Batching 强化同一任务内不同动作导致不同后果的可控性。

第二，训练 progress value model。它从预训练 VLA policy $\pi_{0.5}$ 初始化，输入多视角 observation 和语言任务，输出状态进度值。训练目标同时包含按时间归一化的 progress loss 和带成功 / 失败终端信号的 TD loss。

第三，做 policy warm-up。RISE 先把 $\pi_{0.5}$ 在离线数据上微调，包括人工示教、policy rollout 成功 / 失败轨迹、人类纠正数据。专家示教和纠正样本被视为 optimal advantage，rollout 样本则使用 value model 估计出的 advantage。

第四，进入 self-improving loop。rollout policy 在初始真实状态上以 optimal advantage 为条件提出 action chunk；dynamics model 想象未来多视角观测；value model 对 imagined observations 打分，得到 action advantage；训练 policy 学会在给定该 advantage 时输出相应动作。为了防止生成误差累积，连续 imagined interaction 最多只展开两次，并且训练时混入真实离线数据。

结论

论文在三个真实双臂操作任务上报告了明显提升：Dynamic Brick Sorting 从 $\pi_{0.5}$ 的 35% 成功率提升到 85%，Backpack Packing 从 30% 到 85%，Box Closing 从 35% 到 95%。相较 RECAP，RISE 在三个任务上也分别提升到 85%、85%、95%。

消融实验支持三点：更多 offline anchor data 能提高 imagined learning 稳定性；把 online action 和 online imagined state 接入 rollout 会提高 training-time 分布覆盖；dynamics pre-training、Task-Centric Batching、progress loss 和 TD learning 都会影响最终得分。边界同样清楚：RISE 仍依赖真实任务数据、世界模型训练成本高，且 value model 和 dynamics model 在罕见状态上可能给错奖励或想错未来。

关键术语

• Compositional World Model（组合式世界模型）：把世界建模拆成 dynamics prediction 和 value evaluation，而不是一个端到端黑盒 simulator。
• Controllable Dynamics Model（可控动力学模型）：给定历史多视角观测和未来动作，预测未来多视角观测的视频模型。
• Progress Value Model（进度价值模型）：把当前或想象观测映射为任务进度 / 价值的模型。
• Imaginary Rollout（想象 rollout）：在 learned dynamics model 中展开候选 action，而不是让真实机器人执行。
• Advantage Conditioning（优势条件化）：把动作好坏离散成 advantage bin，作为 VLA 训练和 rollout 条件。
• Task-Centric Batching（任务中心批采样）：每个 batch 只采样少量任务、但包含同任务内更多动作变化样本，用来强化动作可控动态。
• Offline Anchor（离线锚点）：训练中持续混入真实示教、纠正和 rollout 数据，防止 imagined data 把策略带离真实分布。

论文位置

RISE 应该放在世界模型部分，而不是只放进具身智能或扩散生成部分。它的 dynamics model 确实使用视频生成 / flow matching 路线，但论文的核心问题是 world model 怎样进入机器人学习闭环。

和相邻工作相比，它的位置比较清楚：

路线	世界模型扮演的角色	RISE 的区别
Dreamer / DreamerV3	在 latent imagination 中训练 actor-critic	RISE 面向真实机器人 VLA，用视频 dynamics + value model 给 action chunk 打 advantage
LingBot-VA 2.0	原生 video-action policy，推理时预测未来和动作	RISE 的 world model 只在训练期使用，部署时没有额外推理开销
DreamZero	WAM 直接作为闭环 policy	RISE 不让 world model 执行动作，而是把它当成 policy improvement 环境
Diffusion Forcing	统一 next-token 与全序列扩散的生成范式	RISE 关注动作条件未来如何变成 RL advantage
普通视频生成模型	生成视觉上合理的未来	RISE 要求未来对 action controllable，并能被 value model 评价

这篇论文的读法可以压成一句话：世界模型不一定要替代真实环境，它也可以成为训练期的 advantage factory。

总体方案

图源：RISE: Self-Improving Robot Policy with Compositional World Model，Figure 1。原图展示 RISE 先在离线数据上训练组合式世界模型，再用 imagined rollout 产生 advantage 监督，最后更新 VLA policy。

这张图怎么读：先看真实世界和想象世界的分工。
左侧真实世界提供离线示教、纠正和 policy rollout 数据；中间的 compositional world model 把 action-conditioned future prediction 和 progress evaluation 拆开；右侧 policy improvement 不直接消耗真实机器人交互，而是用 model-generated observations 和 value-estimated advantage 更新 VLA。

图里的关键不是“生成了视频”，而是“生成的视频被立刻拿去评价动作”。如果只生成未来，不评价 progress，它只是视频模型；如果只训练 value，不预测动作后果，它无法对候选 action 做反事实判断。RISE 的贡献正是在两者之间搭了一个训练闭环。

Compositional World Model

论文把机器人观测写成多视角 observation：

$o_t = [m_t^1, \ldots, m_t^n], \qquad O_t = \{o_{t-C+1},\ldots,o_t\}.$

策略给出一个 action chunk：

$a_t = [a_t,\ldots,a_{t+H-1}] \sim \pi(\cdot \mid o_t,l).$

dynamics model 负责预测未来观测：

$\hat{o}_{t+1:t+H}=D(O_t,a_t).$

value model 负责评价状态：

$V(\hat{o}_{t+k},l).$

然后 action advantage 被定义为未来进度均值相对当前进度的提升：

$A(o_t,a_t,l) = \frac{1}{H}\sum_{k=1}^{H}V(\hat{o}_{t+k},l)-V(o_t,l).$

这个公式是 RISE 的核心。它避开了两种极端：不要求 dynamics model 一直 rollout 到任务终点，也不要求 value model 单独判断一个动作是否好。动作的好坏来自“执行这段 action 后，平均未来状态是否比当前更接近成功”。

图源：论文 Figure 4。原图展示 dynamics model 和 value model 如何组合成 advantage estimator。

这张图怎么读：Dynamics 给反事实，Value 给标尺。
上半部分的 dynamics model 接收当前多视角历史和 action proposal，产生 $H$ 步未来观测；下半部分 value model 对每个 imagined frame 打 progress 分。把这些分数和当前状态比较，就得到用于 policy update 的 advantage。换句话说，world model 不输出动作，它输出“这段动作值得学到什么程度”。

可控动力学模型

RISE 的 dynamics model 不是从零训练。论文从 Genie Envisioner GE-base 初始化，而 GE-base 继承 LTX-Video 架构。这样做的理由很工程化：通用视频模型已经有较强视觉和时序先验；机器人任务需要在这个底座上补动作条件，而不是重学所有低层纹理和运动。

动作条件通过 lightweight action encoder 注入模型。为了让模型真的看动作，而不是只依赖视觉惯性，论文使用两类训练手段：

设计	作用
大规模 action-labeled video pre-training	在 AgiBot World、Galaxea 等数据上学习动作和视觉变化的关系
Task-Centric Batching	一个 batch 覆盖较少任务，但包含同任务内更多不同动作样本，强化 action controllability
context frames stronger noise	减少模型对条件帧复制的依赖，逼迫它使用动作信息预测未来
task-specific fine-tuning	把通用动作动态适配到 Dynamic Brick Sorting、Backpack Packing、Box Closing 等任务

论文还把速度作为现实约束来讨论。它报告 Cosmos 对 25 个多视角 future observations 的生成耗时超过 10 分钟，而 GE-base 小于 2 秒，约 300 倍加速。这个数字的意义不只是快，而是 imagined rollout 需要反复发生；如果每个候选动作都要分钟级生成，训练闭环就不可用。

核心训练配置如下：

项目	设置
观测	3 个视角，多视角 RGB，约 $192 \times 256$
输入 / 预测帧	4 / 25
目标	Flow Matching，logit-normal timestep schedule
采样	Euler solver，50 denoising steps
预训练	16 张 H100，global batch 512，约 7 天
任务微调	8 张 H100，global batch 64，约 3 天
学习率	AdamW，$1\times10^{-4}$，2k warm-up

这里要注意一个边界：dynamics model 的质量直接决定 imagined advantage 的可靠性。视频越逼真不一定越适合 RL；更关键的是对动作的反事实敏感性，以及错误是否会系统性误导 value model。

Progress Value Model

RISE 的 value model 从 $\pi_{0.5}$ 初始化，而不是从普通图像 encoder 开始。这样它继承了 VLA 对任务语言、物体和操作进度的理解。输入是多视角 observation 和语言指令，输出是一个标量 progress / value。

训练目标有两部分。第一部分是 progress loss，把轨迹中的时间位置映射到归一化进度：

$\mathcal{L}_{prog} = \mathbb{E}\left[(V(o_t,l)-t/T)^2\right].$

第二部分是 TD loss，用成功 / 失败终端信号让 value 对真实结果敏感：

$\mathcal{L}_{TD} = \mathbb{E}\left[(V(o_t,l)-y_t)^2\right], \qquad y_t=r_t+\gamma V(o_{t+1},l).$

其中中间步奖励为 0，成功终止为 $+1$，失败终止为 $-1$。最终目标是：

$\mathcal{L}_V=\mathcal{L}_{prog}+\mathcal{L}_{TD}.$

这两个 loss 的互补性很重要。progress loss 稳定、密集，但可能把失败轨迹也当成“时间在前进”；TD loss 能感知成功 / 失败，但在稀疏信号下更容易不稳定。附录中的 value ablation 也显示，单独 progress 更平滑但不够敏感，单独 TD 更敏感但波动更大，组合后才适合给 imagined states 打分。

value model 训练配置：

项目	设置
初始化	$\pi_{0.5}$
输入	1 帧、3 视角 observation
训练步数	50k steps
损失 schedule	前 10k 只用 progress，后 40k 加 TD
Batch / GPU	batch 64，8 张 GPU，约 1 天
折扣因子	$\gamma=0.995$
学习率	AdamW，$2.5\times10^{-5}$

Policy Warm-up 与 Self-Improving Loop

RISE 不是一开始就把策略丢进想象环境。它先做离线 warm-up，数据包括专家示教、policy rollout、失败轨迹和人类纠正。专家示教和纠正数据被配上 optimal advantage；rollout 数据则由 value model 估计 advantage。这样 policy 先学会“advantage 条件和动作质量之间的关系”。

随后进入 imagined self-improving loop：

1. 从离线数据中采样一个真实初始状态；
2. rollout policy 以 optimal advantage 为条件提出 action chunk；
3. dynamics model 根据真实历史和候选 action 生成未来多视角观测；
4. value model 对 imagined observations 打分，得到 evaluated advantage；
5. 将 advantage 离散成 bins，用作 policy 训练条件；
6. 训练 policy 在给定 observation 和 evaluated advantage 时复现对应 action。

图源：论文 Figure 5。原图展示 rollout stage 和 training stage 如何交替生成 imagined rollout data 并更新 VLA。

这张图怎么读：上半部分生产数据，下半部分消费数据。
上半部分中，rollout policy 被“高 advantage”提示，先提出动作，再交给 compositional world model 评价；下半部分中，训练 policy 不追求永远输出高 advantage 动作，而是学习“给定某个 advantage 条件时，该动作是什么”。这种 advantage-conditioned imitation 让 policy 能吸收 imagined rollout 的排序信息。

论文还做了两个保守设计。第一，rollout policy 是 behavior policy 的 EMA 版本，避免数据分布剧烈抖动。第二，连续 imagined interaction 最多两次，防止 dynamics error 经过多轮生成后放大。也就是说，RISE 的 imagined RL 是短程、锚定真实状态的，不是完全脱离真实数据的开放式梦境训练。

数据、机器人与训练配置

三个任务都是真实双臂平台上的操作任务：

任务	数据规模	主要难点
Dynamic Brick Sorting	3063 条人工示教 + 610 条 policy rollout	动态积木、抓取滑动、分类和投放误差
Backpack Packing	2478 条人工示教 + 507 条 policy rollout	软物体、包内空间、拉链和遮挡
Box Closing	2286 条人工示教 + 524 条 rollout + 540 条人类纠正	盒盖对齐、物体装载完整性、插舌和形变

硬件和控制接口也会影响读数。论文使用双臂机器人平台，腕部相机加 top-down camera，多视角 RGB 进入模型。VLA 输出长度为 50 的 action chunk，action dimension 为 14；底层控制器以约 30 Hz 执行 joint commands，并用 Temporal Ensembling 平滑新旧 action chunk。

这些细节说明 RISE 的提升不是纯算法闭门造车。它依赖一整套真实数据、视频动力学、value learning 和动作块执行机制。世界模型在部署时没有额外 inference overhead，但训练它本身并不便宜。

实验与结论

主实验最直接的结论是：RISE 在三个任务上都比 $\pi_{0.5}$、DAgger、PPO、DSRL 和 RECAP 更高。

方法	Dynamic Brick Sorting Success / Score	Backpack Packing Success / Score	Box Closing Success / Score
$\pi_{0.5}$	35.00 / 8.28	30.00 / 4.25	35.00 / 7.50
$\pi_{0.5}$ + DAgger	15.00 / 6.10	50.00 / 7.00	40.00 / 7.50
$\pi_{0.5}$ + PPO	10.00 / 7.68	35.00 / 5.88	10.00 / 4.75
$\pi_{0.5}$ + DSRL	10.00 / 6.65	10.00 / 3.50	10.00 / 7.63
RECAP	50.00 / 9.00	40.00 / 6.13	60.00 / 8.13
RISE	85.00 / 9.78	85.00 / 9.50	95.00 / 9.88

表格怎么读：RISE 的优势不只是 score 更高，而是 success rate 在三个任务上都出现大幅提升。PPO / DSRL 在这些真实任务上反而很弱，说明直接套真实机器人 RL 或离线 RL baseline 并不能自动解决 VLA 的分布偏移。RISE 的改进来自“动作后果预测 + 进度评价 + advantage-conditioned policy update”这一整套闭环。

消融：offline ratio

论文在一个子任务设置里改变 offline data ratio。结果显示，真实数据锚点太少时，imagined learning 很不稳；ratio 提高后 pick / sort / complete 整体变好，但不是越高越单调。

Offline ratio	Pick Success	Sort Accuracy	Complete Success	Score
0.1	15.00	83.33	5.00	1.35
0.3	78.75	80.95	25.00	7.03
0.6	90.00	87.50	50.00	8.32
0.9	90.00	80.56	30.00	7.90

读数边界：这张表不是说 0.6 是通用最优比例，而是说明 RISE 的 imagined data 需要真实数据约束。offline anchor 太低，world model 和 policy 都容易偏离真实状态分布；offline anchor 太高，policy improvement 的探索和在线想象比例又可能不足。

消融：online action 与 online state

设置	Pick Success	Sort Accuracy	Complete Success	Score
None	80.00	76.56	35.00	6.98
+ online action	96.25	84.42	40.00	8.73
+ online action + online state	98.75	92.41	70.00	9.43

这个消融说明，RISE 不只是把离线数据重新标分。让 rollout policy 生成新 action，并把 imagined state 接入后续训练，能显著提高策略看到的状态-动作组合。但论文同时限制 consecutive imagined interaction，说明这种收益建立在短程想象和真实状态锚定上。

消融：模块贡献

去掉的模块	Pick Success	Sort Accuracy	Complete Success	Score
Dynamics w/o Pre-train	97.50	60.26	15.00	7.43
Dynamics w/o Task-Centric	93.75	89.33	40.00	8.78
Value w/o Progress	95.00	86.84	50.00	8.78
Value w/o TD Learning	98.75	72.15	35.00	8.38
RISE all	98.75	92.41	70.00	9.43

这张表最有信息量的是 complete success。很多 ablation 仍能 pick 成功，但很难完成完整任务。这说明 RISE 的关键不是局部动作更像示教，而是让 value 和 dynamics 一起约束多步任务进度。

Dynamics Model 的质量证据

论文除了真实任务结果，还比较了 dynamics model 的预测质量。

图源：论文 Figure 6。原图展示 Cosmos、Genie Envisioner、RISE dynamics 等模型在不同视角和时间步的未来预测可视化。

这张图怎么读：看动作后的局部物理变化，不只看画面清晰度。
用于 RISE 的 dynamics model 需要预测手、物体和容器随动作变化的细节。图中如果只看背景纹理，很容易高估模型；真正应该看的是抓取位置、物体移动方向、遮挡恢复和接触后的形变是否跟 action 一致。

定量指标上，RISE dynamics 在真实机器人任务数据和 Bridge 数据上整体优于 Cosmos 与 GE。一个值得保留的细节是：在真实任务 Experiment #1 中，RISE w/o Task-Centric 的 FVD 数值比 full RISE 更低，但 full RISE 在 PSNR、LPIPS、SSIM 和 EPE 上更好。也就是说，生成指标之间并不完全一致，最终仍要看 imagined advantage 能否带来 policy improvement。

模型	PSNR	LPIPS ↓	SSIM	FVD ↓	EPE ↓
Cosmos	21.17	0.14	0.79	97.90	1.21
GE	21.16	0.11	0.79	85.72	1.05
RISE w/o Task-Centric	22.67	0.08	0.80	61.22	0.68
RISE	23.90	0.07	0.82	66.84	0.54

表格怎么读：PSNR / LPIPS / SSIM 更偏视觉重建质量，FVD 更偏分布级视频质量，EPE 更关心运动误差。机器人 world model 要同时关心这些，但最终价值不是“视频指标最好”，而是“动作条件未来足够可靠，可以训练策略”。

和扩散生成路线的关系

RISE 的 dynamics model 属于视频生成模型路线，训练目标使用 flow matching，采样用多步 solver；因此它和 Wan2.1、Diffusion Forcing、CausVid 这类视频扩散工作有技术联系。

但 RISE 的研究问题更接近世界模型和机器人学习。扩散生成论文通常关心更清晰、更长、更快的视频；RISE 关心的是这些视频能否承载 action-conditioned counterfactual，并通过 value model 转成 policy gradient 近似信号。它提醒我们：世界模型的生成质量不能只靠 FVD 或 LPIPS 判断，还要看生成结果是否能改变决策。

更具体地说，RISE 把视频生成模块接进了三层机器人闭环：

层级	生成模型提供什么	机器人学习需要什么
表示层	多视角未来观测	保留接触、抓取、物体位姿和任务相关状态
反事实层	同一历史下不同动作的未来分叉	action controllability，而不是平均未来
优化层	imagined observations	progress value 评价后形成 advantage

这也是它比“生成视频辅助机器人”更进一步的地方：视频不是展示用结果，而是 policy update 的中间证据。

局限与风险

RISE 的局限不小，主要有六类。

第一，world model error 会进入 policy update。论文通过短 rollout、真实数据混合和 EMA rollout policy 缓解，但没有消除错误累积。第二，value model 在罕见失败状态上可能给错分，尤其是软物体、遮挡和接触变形场景。第三，任务范围仍是三个真实双臂操作任务，不能直接推出开放世界所有机器人任务都适用。

第四，训练成本高。dynamics pre-training 和 fine-tuning 都需要多张 H100，RISE 只是部署时没有额外 world model inference overhead，不是训练免费。第五，它仍需要任务相关 offline data，包括示教、policy rollout 和人类纠正。第六，论文没有证明长 horizon imagined RL 可以无限延伸；相反，作者明确限制连续想象次数，说明当前方法更适合短程 advantage estimation。

这些边界并不削弱论文价值，反而说明它的工程姿态很务实：先让世界模型在短程、可评价、真实状态锚定的区域里产生收益，而不是宣称一个生成模型可以完整替代真实环境。

主要贡献

RISE 的贡献可以归纳为三点。

第一，它提出了一个面向真实机器人 VLA 的 self-improving framework：不靠大量新增真实交互，而是在 learned world model 中生成短程 imagined rollout，给 action chunk 估计 advantage。

第二，它把 world model 拆成 controllable dynamics model 和 progress value model。这种拆分让视频模型负责“预测动作后果”，让 VLA 初始化的 value model 负责“理解任务进度”，比单体模拟器更容易对齐训练目标。

第三，它在真实双臂任务中展示了强结果，并用 offline ratio、online action / state、dynamics pre-training、Task-Centric Batching、progress / TD loss 等消融说明每个模块的作用。对世界模型研究来说，这篇论文最重要的不是某个指标，而是提供了一种把生成式世界模型接入 policy improvement 的清晰接口。

阅读结论

读 RISE 时不要把它理解成“又一个机器人视频生成模型”。更准确的读法是：它把视频动力学模型变成训练期的反事实环境，再用 progress value model 把想象未来压缩成 action advantage。

这篇论文对世界模型主线的启发是，world model 的价值可以有多种落点：可以像 Dreamer 那样在 latent imagination 里训练 actor-critic，可以像 DreamZero 那样直接变成 WAM policy，也可以像 RISE 这样只在训练期生产 dense supervision。对机器人来说，第三种路线尤其现实，因为它保留了真实策略部署的简洁性，同时把昂贵的自我试错搬进了模型空间。

最需要保留的怀疑是：RISE 的成功建立在短程、任务相关、真实数据锚定的 imagined rollout 上。它证明了组合式世界模型能显著改善三个真实操作任务，但还没有证明世界模型可以在没有真实数据刷新、没有任务 fine-tuning、长 horizon 完全开环的条件下可靠训练机器人。

外部精读

• arXiv abstract：RISE: Self-Improving Robot Policy with Compositional World Model
• 论文 PDF：arxiv.org/pdf/2602.11075
• 项目页：OpenDriveLab RISE
• 官方代码：OpenDriveLab/RISE