GE-Sim 2.0: Дорожная карта к созданию комплексных замкнутых симуляторов видеомира для роботизированного манипулирования

Аннотация

Мы представляем GE-Sim 2.0 (Genie Envisioner World Simulator 2.0) — симулятор видеомира с обратной связью для роботизированных манипуляций. Построенный на основе обусловленного действиями создания видеокадров в Genie Envisioner, GE-Sim 2.0 заново обучен на тысячах часов реальных роботизированных данных, включающих телеуправление, контактное взаимодействие и развертывание политик на роботе, что значительно повышает точность следования действиям и покрытие траекторий. На этой основе три новых модуля замыкают цикл от видеосимуляции до обучения политик: эксперт по состояниям, который декодирует проприоцептивное состояние из скрытых представлений видео для поддержки прогнозирования следующего блока нижестоящими VLA-политиками; мировой судья, который оценивает сгенерированные прогоны на соответствие инструкциям задачи, выдавая машинно-верифицируемые сигналы успеха и вознаграждения вместо ручной проверки; и механизм ускорения, обеспечивающий прогон из 25 кадров за 2,3 секунды на одном H100, с возможностью пропуска до 4 кадров при выводе для оценки на длинных горизонтах. GE-Sim 2.0 занимает первое место в публичном рейтинге WorldArena всего с 2 миллиардами параметров, превосходя как специализированные роботизированные мировые модели, так и закрытые генераторы общего видео, а политики, обученные на его прогонах и вознаграждениях, демонстрируют измеримые реальные улучшения, что утверждает GE-Sim 2.0 в качестве практичной платформы для масштабируемой оценки и обучения с замкнутым циклом политик манипуляций.

English

We introduce GE-Sim 2.0 (Genie Envisioner World Simulator 2.0), a closed-loop video world simulator for robotic manipulation. Building on the action-conditioned video generation framework of Genie Envisioner, GE-Sim 2.0 is re-trained on thousands of hours of real-world robot data spanning teleoperation, contact-rich interaction, and on-robot policy deployment, substantially improving action-following fidelity and trajectory coverage. On top of this foundation, three new modules close the loop from video simulation to policy learning: a state expert that decodes proprioceptive state from video latents to support next-chunk prediction by downstream VLA policies; a world judge that scores generated rollouts against task instructions, yielding machine-verifiable success signals and rewards in place of manual inspection; and an acceleration framework that delivers a 25-frame rollout in 2.3 seconds on a single H100, with up to 4* frame skipping at inference for long-horizon evaluation. GE-Sim 2.0 tops the public WorldArena leaderboard at only 2B parameters, outperforming both dedicated robotic world models and closed-source general video generators, and policies trained against its rollouts and rewards translate into measurable real-world gains, establishing GE-Sim 2.0 as a practical platform for scalable evaluation and closed-loop learning of manipulation policies.