具身智能这两年成为人工智能领域最受关注的方向之一具身世界模型也从一个偏学术的概念快速变成自动驾驶、机器人操作、仿真训练等场景里的基础能力。所谓连续时间具身世界模型任意帧率自由生成提炼出来其实是三个技术点世界模型负责在潜空间建模环境动态连续时间让模型不依赖固定的帧间隔任意帧率则意味着同一个模型可以按 10Hz、30Hz、60Hz 甚至非整数帧率生成未来观测。这项能力在真实机器人场景里非常重要因为相机、IMU、关节编码器的采样频率完全不同外部事件出现的时间也不规律固定帧率模型很难对齐这些信息。这篇文章围绕连续时间具身世界模型这条主线先解释世界模型与连续时间建模的概念再给出一个最小可运行的 PyTorch 示例讲解如何构造不规则时间间隔训练数据、如何通过微分方程求解器实现任意帧率生成然后给出评估方法与常见问题排查最后补充学习环境与生产环境的差异和可复用检查清单。文章里的代码用于说明实现思路落地到自己的项目时需要根据数据规模、动作空间和观测类型调整。1. 先理解“具身世界模型”到底在解决什么问题1.1 世界模型不是“生成视频”而是“预测状态变化”一句话解释世界模型是智能体在内部学习的一套环境动态模拟器。它和视频生成模型最大的区别在于它的核心输出不是像素而是环境状态在智能体动作影响下的变化规律。智能体每执行一个动作环境就会产生新的观测世界模型通过学习大量状态-动作-下一状态数据把这种变化规律压缩到潜空间中。在具身智能场景里智能体有身体、传感器和控制器需要与环境进行闭环交互。它不能像聊天机器人那样只处理文本也不能像离线视频模型那样只看不行动。它必须回答一个问题如果我在当前时刻采取动作 a未来一段时间内环境会变成什么样。这个问题的答案就是规划、决策和控制的基础。世界模型通常包含三部分编码器把观测映射到潜状态动态模型根据当前潜状态和动作预测下一个潜状态解码器把潜状态映射回可解释的观测。无论是 DeepMind 的 Dreamer 系列还是早期 Ha 和 Schmidhuber 提出的 World Models 思路整体框架都是这个结构。区别主要在于动态模型怎么定义、潜状态怎么约束、以及训练目标怎么设计。1.2 具身智能场景对时间建模更敏感真实机器人系统里的时间问题比图像任务突出得多。一个典型机械臂系统里RGB 相机可能是 30Hz深度相机可能是 15HzIMU 可能是 200Hz关节编码器可能是 1000Hz。这些传感器描述的是同一个物理过程但采样时刻完全不同。如果世界模型是离散的、固定帧率训练的那么训练数据必须重采样到同一个频率高频信息被平均掉低频信息又可能出现混叠。更麻烦的是控制器的决策周期和执行周期往往不一样上层规划可能是 10Hz底层控制可能是 500Hz。模型如果只能按固定帧率预测就很难同时服务两个层级的决策需求。连续时间建模的价值在这里体现它不再学习从第 t 帧到第 t1 帧的转移而是学习状态随时间如何变化。给定任意两个时刻 t1 和 t2模型都能给出从 t1 到 t2 的状态演化结果间隔由调用方决定。这正是任意帧率生成的底层原因。1.3 离散帧建模的三个局限把常见离散世界模型的问题列出来更容易理解连续时间方案解决了什么。第一离散模型绑定训练帧率。模型训练时使用的帧间隔 dt 如果固定为 1/30 秒推理时想输出 60Hz 的结果只能靠帧插值或者重复帧这两种方式都会引入伪影而且没有利用任何物理动态知识。第二离散模型难以处理不规则采样。传感器丢帧、通信延迟、事件触发采样都会破坏严格的等间隔序列。离散模型对这类数据要么丢弃要么必须插值补齐插值本身又带来新的误差。第三离散模型的时间语义不明确。假设模型在 t0.2 秒预测了状态 z它自己并不知道这个 z 距离 t0 是多少时间因为它的输入输出里没有显式的时间维度。这导致跨帧率迁移、跨传感器对齐都变得非常别扭。既然是连续时间方案下一步就需要把状态随时间变化这件事用数学语言表达清楚。2. 从离散帧到连续时间核心思想与数学基础2.1 连续时间模型的通俗解释想象一辆行驶中的车离散世界模型学到的是每隔 0.1 秒车的位置变化多少。它只在 0.1 秒的整数倍上有效。连续时间世界模型学到的则是车在当前速度下单位时间内位置变化多少也就是速度。有了速度这个导数信息不管问 0.05 秒后还是 0.37 秒后车在哪里都能算出来。这就是微分方程的基本思想用导数描述系统的瞬时变化率再用积分还原任意时刻的状态。神经网络在这里的作用是拟合导数这个函数它并不是直接预测未来状态而是预测状态的变化趋势。用公式表达离散模型的状态更新是z_{t1} g(z_t, a_t)连续时间模型的状态更新则是dz(t)/dt f_θ(z(t), a(t), t)其中 z(t) 是 t 时刻的潜状态a(t) 是 t 时刻的动作f_θ 是一个神经网络输出状态对时间的导数。要从 t0 时刻的 z(t0) 得到 t1 时刻的 z(t1)需要求解积分z(t1) z(t0) ∫_{t0}^{t1} f_θ(z(t), a(t), t) dt这个积分通常没有解析解需要用数值积分方法逼近。这就是为什么连续时间世界模型的实现里求解器ODE solver是一个核心组件。2.2 从 Neural ODE 到世界模型动态头这里直接借鉴了 Neural ODE 的思路。Neural ODE 由 Chen 等人提出核心贡献是用神经网络参数化微分方程的右端函数并使用可微的 ODE 求解器完成前向传播再通过伴随方法或者直接对求解过程求导来计算梯度。在世界模型里这套思路被用在动态模型上。传统的 World Model 用 RNN 或 Transformer 在离散时间步上做潜状态更新而连续时间世界模型把动态函数写成一个神经网络让求解器负责从当前时刻积分到目标时刻。这样做的好处是模型学到的动态函数是连续的时间间隔只是积分长度而不是网络结构的一部分。需要特别注意神经网络的输入里要包含时间 t。不能只输入 z 和 a否则函数学出来是不随时间变化的自治系统。虽然在很多控制问题里动态本身接近自治但加入时间维度可以让模型表达环境漂移、外部低频干扰等非静态因素。2.3 为什么“任意帧率自由生成”不是帧插值任意帧率生成很容易被误解成把 10Hz 的视频插值成 60Hz。帧插值是在已经存在两帧之间做视觉插值它没有动态模型也没有动作条件本质上是在二维像素平面上做对齐和混合。连续时间世界模型的任意帧率生成是完全不同的机制。模型先通过编码器得到当前观测的潜状态 z(t0)然后根据要生成的目标帧率 fps计算时间间隔 delta 1 / fps。接着从 t0 出发按照 delta 为步长反复积分动态函数每积分一步得到一个潜状态再用解码器把这个潜状态变成一帧观测。同样一段动作序列用 10fps 生成时模型只做 10 次积分用 60fps 生成时模型做 60 次积分每一步的积分长度分别是 0.1 秒和约 0.0167 秒。模型本身完全不需要改因为时间信息已经进入了积分过程。这也是连续时间模型和离散模型最本质的差别离散模型的帧间隔写在训练数据里连续模型的帧间隔写在调用参数里。3. 最小可运行的连续时间世界模型实现3.1 环境准备与依赖这一节给一个最小实现。环境版本以常见组合为例如果你的项目锁定了更早的依赖落地前先确认兼容性。python -m venv .venv source .venv/bin/activate pip install torch numpy matplotlib torchdiffeqtorchdiffeq 提供现成的 ODE 求解器支持 Euler、RK4、dopri5 等常用方法并且能自动完成反向求导。如果不想引入额外依赖也可以自己实现一个固定步长的 Euler 或 RK4后面会给出例子。3.2 模型结构设计模型分为四个部分编码器将观测映射为潜状态动态网络拟合状态导数解码器将潜状态映射回观测调用方使用积分器完成跨时间的状态推进。为了说明思路这里用维度简化的观测和动作示例实际项目需要替换为图像编码器或点云编码器。import torch import torch.nn as nn class Encoder(nn.Module): def __init__(self, obs_dim, latent_dim): super().__init__() self.net nn.Sequential( nn.Linear(obs_dim, 128), nn.SiLU(), nn.Linear(128, latent_dim * 2) ) def forward(self, obs): params self.net(obs) mu, logvar params.chunk(2, dim-1) std torch.exp(0.5 * logvar) eps torch.randn_like(std) z mu eps * std return z, mu, logvar class ContinuousDynamics(nn.Module): def __init__(self, latent_dim, action_dim): super().__init__() self.net nn.Sequential( nn.Linear(latent_dim action_dim 1, 256), nn.SiLU(), nn.Linear(256, 256), nn.SiLU(), nn.Linear(256, latent_dim) ) def forward(self, t, z, action): t_vec torch.full_like(z[..., :1], t) za torch.cat([z, action, t_vec], dim-1) return self.net(za) class Decoder(nn.Module): def __init__(self, latent_dim, obs_dim): super().__init__() self.net nn.Sequential( nn.Linear(latent_dim, 128), nn.SiLU(), nn.Linear(128, obs_dim) ) def forward(self, z): return self.net(z)编码器输出均值和对数方差通过重参数化得到潜状态这样可以为潜空间增加 KL 正则避免状态空间过于膨胀。动态网络把状态、动作和时间拼接后过 MLP输出的是 dz/dt不是下一时刻的状态。这个设计是全文的关键。3.3 训练数据构造随机化时间间隔要让模型学会连续时间训练样本里必须出现不同的时间间隔 dt。如果所有样本都是固定 0.1 秒模型就会退化成离散模型只是换了一个网络结构而已。正确做法是从轨迹数据里随机采样两个时刻计算它们之间的时间差 dt让 dt 在合理范围内均匀分布。def sample_pair(trajectory, dt_min0.02, dt_max0.5): # trajectory: 包含时间戳、观测、动作的轨迹结构 t0 torch.rand(1).item() * 0.5 dt dt_min torch.rand(1).item() * (dt_max - dt_min) t1 t0 dt obs_t0 interpolate_obs(trajectory, t0) obs_t1 interpolate_obs(trajectory, t1) action interpolate_action(trajectory, t0) return obs_t0, obs_t1, action, dt这里使用插值而不是直接取整帧是因为 t0 和 t1 大概率不落在原始采样点上。对真实传感器数据来说这种任意时刻取观测的能力本身就需要一个轻量的线性插值或最近邻插值。训练时随机化 dt 之后模型的积分长度每次都不一样它必须学会统一的导数函数才能同时满足所有间隔。训练循环的核心是把 obs_t0 编码成 z_t把 obs_t1 编码成 z_tdt让动态模型从 z_t 出发、积分 dt 后得到 z_pred再用 z_pred 与 z_tdt 的误差作为训练信号。def odeint_forward(dynamics, z0, action, t0, t1): # 这里使用 torchdiffeq 的 rk4中等精度适合小规模训练 from torchdiffeq import odeint t torch.tensor([t0, t1], dtypez0.dtype) states odeint(lambda t, z: dynamics(t, z, action), z0, t, methodrk4) return states[-1] def train_step(model, optimizer, obs_t0, obs_t1, action, dt): z_t, mu, logvar model.encoder(obs_t0) z_tdt model.encoder(obs_t1)[0] z_pred odeint_forward(model.dynamics, z_t, action, 0.0, dt) recon_loss ((z_pred - z_tdt) ** 2).mean() kl_loss -0.5 * (1 logvar - mu.pow(2) - logvar.exp()).mean() loss recon_loss 0.01 * kl_loss optimizer.zero_grad() loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) optimizer.step() return loss.item()注意两点。一是梯度裁剪ODE 求解过程会展开多层积分梯度沿时间反向传播时容易爆炸裁剪是必要措施。二是 torchdiffeq 的 odeint 在时间点很多时数值开销大训练早期用 rk4 加少量中间点即可不必一上来就用自适应求解器。3.4 关键参数解释参数建议值作用调大影响调小影响latent_dim16 到 64潜状态维度表达能力强但容易过拟合欠拟合动态细节丢失dt_min1/120 秒最短训练间隔短时精度更好训练数据集中在近距离对dt_max0.5 到 1 秒最长训练间隔长时预测能力更强长时 rollout 偏差大kl_weight0.01 到 0.1潜空间正则强度状态更平滑但重建模糊状态空间失稳solverrk4积分精度更准但更慢误差累积快grad_clip1.0梯度稳定训练平稳但收敛慢梯度爆炸风险高dt_min 和 dt_max 决定了模型在什么时间尺度上学习。如果任务里既有快速弹跳又有缓慢漂移建议在一个 batch 内混合多种尺度的 dt而不是把所有样本的 dt 集中在一个窄区间里。kl_weight 不宜过大连续时间模型的目标是准确地预测动态过度正则会让潜状态彼此靠近预测帧变得模糊。3.5 训练稳定性问题连续时间模型比离散模型更容易出现数值问题原因在于反向传播要穿过积分过程。常见处理手段有三个。第一对状态和动作做归一化。观测编码后的潜状态如果方差很大导数函数很容易输出发散值积分几步就溢出。建议把潜状态用 LayerNorm 或简单标准化约束到稳定范围。第二在动态网络输出端加 tanh 或乘上一个可学习缩放系数限制导数的大小。物理系统的状态变化率通常有上界限制导数可以避免积分发散。第三训练初期使用较小 dt 范围让模型先学会短时动态再逐步扩大到长间隔。这类似课程学习能明显提升收敛稳定性。4. 任意帧率生成与验证4.1 同一模型生成不同帧率序列训练完成后生成过程非常直观。给定当前观测和一个动作序列按目标帧率计算积分步长逐个动作积分并解码。下面的函数接受 fps 参数同一个模型可以生成任意帧率的结果。def generate_sequence(model, obs, action_sequence, fps): z, _, _ model.encoder(obs) frames [] delta 1.0 / fps t 0.0 for action in action_sequence: z odeint_forward(model.dynamics, z, action, t, t delta) frame model.decoder(z) frames.append(frame) t t delta return torch.stack(frames)这个实现的性能瓶颈在循环里的一次次积分。如果动作序列很长可以考虑把积分区间合并成多目标时间点一次性调用 odeint减少 Python 循环开销。这里为了清晰保留逐帧循环工程优化时可以替换。验证任意帧率能力时最直接的实验是用同一段起始观测和同一段动作分别调用 fps10、fps30、fps60观察生成的序列是否在相同物理时刻对齐。例如 30Hz 序列的第 3 帧和 10Hz 序列的第 1 帧都对应 t0.1 秒它们的语义内容应该一致只是时间分辨率不同。4.2 评估指标评估连续时间世界模型不能只看生成画面是否清晰更要看动态预测是否准确。常用指标包括指标含义使用方式潜状态预测误差预测潜状态与真实潜状态的 MSE衡量动态模型精度观测重建误差解码帧与真实观测的 MSE 或 L1衡量编码解码质量多帧率一致性同一起始状态下不同 fps 序列在相同时刻的差异衡量连续时间语义动作条件正确性同一状态不同动作生成结果是否分化衡量动作条件是否有效长时 rollout 漂移预测 1 秒、3 秒、5 秒后的误差增长衡量长期稳定多帧率一致性是连续时间模型特有的指标离散模型很难做到。做法是取同一时刻 t 0.5 秒分别从 10Hz、20Hz、50Hz 序列中取对应帧比较它们之间的相似度。差异越小说明模型真正学会了时间语义而不是在某个帧率上死记分布。4.3 对比实验设计如果要做对比实验最公平的对手是相同结构的离散世界模型。把训练数据固定到单一 dt例如 1/30 秒训练一个离散版本再用随机 dt 训练连续版本。测试时各自生成 30Hz 序列比较短时和长时误差。模型训练帧率生成帧率短时误差长时误差离散模型30Hz 固定30Hz低高离散模型30Hz 固定60Hz 插值中高连续模型随机 dt30Hz中低低连续模型随机 dt60Hz中低低离散模型在训练帧率上可能非常有优势因为它的转移函数就是专门为这个 dt 拟合的。连续模型的价值体现在跨帧率迁移和长时一致性而不是在单一固定帧率上刷数字。评估时不要只比较训练帧率上的拟合误差要重点测它能不能生成训练时没有见过的帧率。5. 常见问题与排查路径连续时间世界模型的训练和推理坑不少。下面按现象、原因、检查、解决的方式列出最典型的几类。5.1 训练 loss 不下降或震荡现象前几百步 loss 基本不动或者上下剧烈波动。可能原因包括数据里的 dt 跨度过大导致短间隔和长间隔的梯度互相冲突潜状态未归一化导致积分发散学习率过高。检查顺序先固定 dt 为一个较小值确认模型能正常拟合再打印潜状态的范数观察是否持续增大最后看梯度范数是否出现 NaN 或超大值。解决方式减小 dt_max降低学习率增加梯度裁剪在动态网络输出端加 tanh 限幅。如果固定 dt 能收敛而随机 dt 不能问题基本在数据采样范围上。5.2 生成结果模糊像多帧平均现象解码出来的观测边缘模糊细节丢失尤其在快速运动区域。这种模糊通常是潜空间正则过强或者编码器把不同时间状态的差异挤压到了很小的空间里。连续世界模型为了同时拟合多种时间间隔如果潜向量表达能力不够就倾向于输出一个平均状态导致动态差异被平滑掉。检查 KL loss 在总 loss 中的占比以及同一轨迹不同时刻的潜状态距离。如果潜状态距离非常小说明编码器没有把时间信息保留下来。解决方式增大 latent_dim降低 kl_weight或者在训练目标里加入更明确的动态对比损失强制同一轨迹不同间隔的潜状态拉开距离。5.3 长时间 rollout 漂移现象预测前 0.5 秒很准到 3 秒后开始偏离甚至出现物理上不可能的观测。原因是自回归误差累积。每步预测都有微小误差下一步的输入又来自上一步的输出误差随时间指数放大。连续模型因为引入了数值积分误差来源比离散模型更多除了模型本身的拟合误差还有积分截断误差。检查方式分别记录 0.5 秒、1 秒、2 秒、5 秒的预测误差绘制误差增长曲线。如果误差线性增长说明是模型拟合精度问题如果指数增长说明动态函数本身不稳定。解决方式训练时加入噪声注入在每一级 rollout 的输入里加少量扰动让模型学会纠错或者在长间隔训练样本上做多步展开直接优化长时间一致性。积分求解器也要从 rk4 换成更高精度的自适应方法。5.4 调整帧率后动作错位现象用同一个动作序列生成 10Hz 和 60Hz 结果发现 60Hz 序列的动作节奏不对快速动作被拉长或压缩。原因是动作序列本身也是时间信号。生成 60Hz 时动作序列如果仍然按 10Hz 的密度提供模型在两个动作之间没有中间动作信息动态函数只能靠外推或隐式假设导致动作语义漂移。连续时间世界模型要求动作在积分区间内也是连续的。要么用动作插值把低频动作补成高频要么让动态函数把动作看作区间内常值并对区间分段处理。不要把动作稀疏化问题甩给模型模型只能保证在给定动作描述下预测准确。5.5 求解器误差过大现象rk4 生成的短时结果和 dopri5 生成的结果差异明显或者改变积分中间点数量后结果不稳定。原因是求解器阶数和步长不匹配。rk4 是固定步长方法如果步长超过系统动态的快速变化尺度误差会迅速累积。尤其当潜状态里存在高频振荡时固定步长很容易错过拐点。检查方式同一输入分别用 rk4 和 dopri5 跑一遍比较潜状态差。如果差异超过任务允许的误差范围说明当前求解器精度不够。解决方式训练和推理使用不同的求解器策略。训练用固定步长 rk4 保持梯度可计算推理用自适应求解器提高精度或者将积分区间内部细分增大中间时间点的数量。下面用一张速查表汇总这些问题问题现象常见原因检查方式处理建议loss 不下降dt 跨度过大、潜状态发散、学习率过高先固定小 dt 验证查看潜状态范数缩小 dt 范围、加梯度裁剪、限制导数输出生成模糊潜空间过度正则、latent_dim 不足检查 KL 占比和潜状态距离降 kl_weight、增大 latent_dim长时漂移自回归累积误差、动态函数不稳定绘制误差增长曲线噪声注入、长区间多步展开、换高精度求解器帧率调整后动作错位动作序列未按帧率重采样对比不同帧率的动作输入对动作插值或分段常值处理求解器结果不稳步长过大、求解器阶数不足对比 rk4 与 dopri5 结果推理用自适应求解器、增加中间点6. 学习环境与生产环境的差异6.1 学习验证环境怎么快速跑通学习阶段的目标是理解机制不需要大模型、大算力。一个二维点机器人或倒立摆环境就足够验证连续时间建模和任意帧率生成。训练数据可以用仿真器生成几百条轨迹就能看到明显效果。快速跑通的最小路径是用仿真环境生成带时间戳的轨迹数据实现 Encoder、ContinuousDynamics、Decoder 三个类随机采样 dt 训练最后用 generate_sequence 输出不同帧率序列做可视化。整个过程在 CPU 上也能运行关键是先把逻辑跑通不要一上来就上高维图像。6.2 生产环境需要补齐的能力生产环境与学习环境差别很大。真实机器人场景里数据采集、时间戳对齐、异常处理、安全保护都要单独设计。维度学习验证环境生产落地环境数据仿真生成、干净、等间隔真机采集、丢帧、噪声、时间戳乱序动作控制简单动作序列需要与规划器、控制器联动高频动作插值数值稳定性失败重跑即可需要 NaN 检测、状态范围校验、回退机制日志监控可视化 notebook训练与推理日志、指标监控、告警模型部署PyTorch 直接跑需要导出、量化、推理延迟控制安全边界无预测结果必须经过安全校验才能进入控制链路版本管理单机实验数据集版本、模型版本、求解器参数都要追踪生产环境最容易被忽略的是时间戳质量。真机系统里不同传感器的时间基准不同如果数据采集链路没有做好时间同步训练数据的 dt 本身就是错的连续模型学出来的导数函数也是错的。这个问题发生在模型训练之前但会在预测阶段集中暴露。6.3 可复用检查清单无论是做研究实验还是工程落地建议每次训练前按这张清单自查数据时间戳是否统一到同一个时间基准。训练样本的 dt 范围是否覆盖实际推理需要的帧率。动作序列是否与观测时间对齐。求解器精度是否在验证集上做过敏感性测试。潜状态是否存在 NaN 或持续膨胀。是否同时评估了短时误差、长时误差和跨帧率一致性。推理时的积分步长是否满足延迟要求。模型输出的物理边界是否经过校验。清单里每一项都对应一个真实事故。尤其是时间戳和动作对齐这两项出错时模型特征会表现得很奇怪但排查起来又不容易所以放在最前面。7. 扩展方向与落地建议7.1 与显式物理约束结合纯神经网络动态函数拟合能力强但会对物理规律产生幻觉。一个常见做法是把网络输出和显式物理模型混合已知动力学用物理公式计算未知摩擦、接触、流体等残差用神经网络补齐。连续时间世界模型天然适合这种结构因为物理公式本身就是微分方程把网络输出的残差直接加到等式右边即可。7.2 多模态对齐真实机器人有图像、点云、力觉、关节角等多种观测。连续时间建模可以用来对齐这些异构传感器它们虽然采样率不同但描述的是同一个物理状态。用一个连续潜状态作为公共表示把不同模态的编码器都接到这个状态上再通过解码器生成各自模态的预测可以在统一的时序语义下完成多模态融合。7.3 从仿真到真机的迁移仿真器里训练的世界模型迁移到真机时动态参数的偏差会带来预测误差。连续时间模型因为显式建模了时间可以尝试在线估计动态函数的偏移项在真机运行的前几步用真实观测和预测的差异来修正导数函数。这个机制在离散模型里很难做因为离散模型没有清晰的时间尺度概念无法区分是时间偏移还是状态偏移。7.4 现阶段最该关注的技术点对于想复现或跟进这个方向的开发者建议按以下顺序投入精力。先掌握 Neural ODE 的数值求解和反向传播原理这是连续时间建模的地基再吃透随机时间间隔训练的必要性理解为什么固定 dt 会让连续模型退化成离散模型然后设计合理的评估实验多帧率一致性测试比单帧率误差更有说服力。标题里强调全球首个更多是宣传口径没有必要纠结这个表述是否绝对准确也不必由此认为方案已经成熟。任何新方向都会经历从概念验证到工程收敛的过程。对追求可复现结果的开发者而言最值得做的判断是连续时间建模是否真正解决了跨帧率对齐这个具体问题以及随机时间间隔训练在你的数据上是否稳定。先把最小模型跑通再逐步扩大数据规模和时间跨度是更稳妥的路径。 连续时间具身世界模型：任意帧率生成原理与实现
具身智能这两年成为人工智能领域最受关注的方向之一具身世界模型也从一个偏学术的概念快速变成自动驾驶、机器人操作、仿真训练等场景里的基础能力。所谓连续时间具身世界模型任意帧率自由生成提炼出来其实是三个技术点世界模型负责在潜空间建模环境动态连续时间让模型不依赖固定的帧间隔任意帧率则意味着同一个模型可以按 10Hz、30Hz、60Hz 甚至非整数帧率生成未来观测。这项能力在真实机器人场景里非常重要因为相机、IMU、关节编码器的采样频率完全不同外部事件出现的时间也不规律固定帧率模型很难对齐这些信息。这篇文章围绕连续时间具身世界模型这条主线先解释世界模型与连续时间建模的概念再给出一个最小可运行的 PyTorch 示例讲解如何构造不规则时间间隔训练数据、如何通过微分方程求解器实现任意帧率生成然后给出评估方法与常见问题排查最后补充学习环境与生产环境的差异和可复用检查清单。文章里的代码用于说明实现思路落地到自己的项目时需要根据数据规模、动作空间和观测类型调整。1. 先理解“具身世界模型”到底在解决什么问题1.1 世界模型不是“生成视频”而是“预测状态变化”一句话解释世界模型是智能体在内部学习的一套环境动态模拟器。它和视频生成模型最大的区别在于它的核心输出不是像素而是环境状态在智能体动作影响下的变化规律。智能体每执行一个动作环境就会产生新的观测世界模型通过学习大量状态-动作-下一状态数据把这种变化规律压缩到潜空间中。在具身智能场景里智能体有身体、传感器和控制器需要与环境进行闭环交互。它不能像聊天机器人那样只处理文本也不能像离线视频模型那样只看不行动。它必须回答一个问题如果我在当前时刻采取动作 a未来一段时间内环境会变成什么样。这个问题的答案就是规划、决策和控制的基础。世界模型通常包含三部分编码器把观测映射到潜状态动态模型根据当前潜状态和动作预测下一个潜状态解码器把潜状态映射回可解释的观测。无论是 DeepMind 的 Dreamer 系列还是早期 Ha 和 Schmidhuber 提出的 World Models 思路整体框架都是这个结构。区别主要在于动态模型怎么定义、潜状态怎么约束、以及训练目标怎么设计。1.2 具身智能场景对时间建模更敏感真实机器人系统里的时间问题比图像任务突出得多。一个典型机械臂系统里RGB 相机可能是 30Hz深度相机可能是 15HzIMU 可能是 200Hz关节编码器可能是 1000Hz。这些传感器描述的是同一个物理过程但采样时刻完全不同。如果世界模型是离散的、固定帧率训练的那么训练数据必须重采样到同一个频率高频信息被平均掉低频信息又可能出现混叠。更麻烦的是控制器的决策周期和执行周期往往不一样上层规划可能是 10Hz底层控制可能是 500Hz。模型如果只能按固定帧率预测就很难同时服务两个层级的决策需求。连续时间建模的价值在这里体现它不再学习从第 t 帧到第 t1 帧的转移而是学习状态随时间如何变化。给定任意两个时刻 t1 和 t2模型都能给出从 t1 到 t2 的状态演化结果间隔由调用方决定。这正是任意帧率生成的底层原因。1.3 离散帧建模的三个局限把常见离散世界模型的问题列出来更容易理解连续时间方案解决了什么。第一离散模型绑定训练帧率。模型训练时使用的帧间隔 dt 如果固定为 1/30 秒推理时想输出 60Hz 的结果只能靠帧插值或者重复帧这两种方式都会引入伪影而且没有利用任何物理动态知识。第二离散模型难以处理不规则采样。传感器丢帧、通信延迟、事件触发采样都会破坏严格的等间隔序列。离散模型对这类数据要么丢弃要么必须插值补齐插值本身又带来新的误差。第三离散模型的时间语义不明确。假设模型在 t0.2 秒预测了状态 z它自己并不知道这个 z 距离 t0 是多少时间因为它的输入输出里没有显式的时间维度。这导致跨帧率迁移、跨传感器对齐都变得非常别扭。既然是连续时间方案下一步就需要把状态随时间变化这件事用数学语言表达清楚。2. 从离散帧到连续时间核心思想与数学基础2.1 连续时间模型的通俗解释想象一辆行驶中的车离散世界模型学到的是每隔 0.1 秒车的位置变化多少。它只在 0.1 秒的整数倍上有效。连续时间世界模型学到的则是车在当前速度下单位时间内位置变化多少也就是速度。有了速度这个导数信息不管问 0.05 秒后还是 0.37 秒后车在哪里都能算出来。这就是微分方程的基本思想用导数描述系统的瞬时变化率再用积分还原任意时刻的状态。神经网络在这里的作用是拟合导数这个函数它并不是直接预测未来状态而是预测状态的变化趋势。用公式表达离散模型的状态更新是z_{t1} g(z_t, a_t)连续时间模型的状态更新则是dz(t)/dt f_θ(z(t), a(t), t)其中 z(t) 是 t 时刻的潜状态a(t) 是 t 时刻的动作f_θ 是一个神经网络输出状态对时间的导数。要从 t0 时刻的 z(t0) 得到 t1 时刻的 z(t1)需要求解积分z(t1) z(t0) ∫_{t0}^{t1} f_θ(z(t), a(t), t) dt这个积分通常没有解析解需要用数值积分方法逼近。这就是为什么连续时间世界模型的实现里求解器ODE solver是一个核心组件。2.2 从 Neural ODE 到世界模型动态头这里直接借鉴了 Neural ODE 的思路。Neural ODE 由 Chen 等人提出核心贡献是用神经网络参数化微分方程的右端函数并使用可微的 ODE 求解器完成前向传播再通过伴随方法或者直接对求解过程求导来计算梯度。在世界模型里这套思路被用在动态模型上。传统的 World Model 用 RNN 或 Transformer 在离散时间步上做潜状态更新而连续时间世界模型把动态函数写成一个神经网络让求解器负责从当前时刻积分到目标时刻。这样做的好处是模型学到的动态函数是连续的时间间隔只是积分长度而不是网络结构的一部分。需要特别注意神经网络的输入里要包含时间 t。不能只输入 z 和 a否则函数学出来是不随时间变化的自治系统。虽然在很多控制问题里动态本身接近自治但加入时间维度可以让模型表达环境漂移、外部低频干扰等非静态因素。2.3 为什么“任意帧率自由生成”不是帧插值任意帧率生成很容易被误解成把 10Hz 的视频插值成 60Hz。帧插值是在已经存在两帧之间做视觉插值它没有动态模型也没有动作条件本质上是在二维像素平面上做对齐和混合。连续时间世界模型的任意帧率生成是完全不同的机制。模型先通过编码器得到当前观测的潜状态 z(t0)然后根据要生成的目标帧率 fps计算时间间隔 delta 1 / fps。接着从 t0 出发按照 delta 为步长反复积分动态函数每积分一步得到一个潜状态再用解码器把这个潜状态变成一帧观测。同样一段动作序列用 10fps 生成时模型只做 10 次积分用 60fps 生成时模型做 60 次积分每一步的积分长度分别是 0.1 秒和约 0.0167 秒。模型本身完全不需要改因为时间信息已经进入了积分过程。这也是连续时间模型和离散模型最本质的差别离散模型的帧间隔写在训练数据里连续模型的帧间隔写在调用参数里。3. 最小可运行的连续时间世界模型实现3.1 环境准备与依赖这一节给一个最小实现。环境版本以常见组合为例如果你的项目锁定了更早的依赖落地前先确认兼容性。python -m venv .venv source .venv/bin/activate pip install torch numpy matplotlib torchdiffeqtorchdiffeq 提供现成的 ODE 求解器支持 Euler、RK4、dopri5 等常用方法并且能自动完成反向求导。如果不想引入额外依赖也可以自己实现一个固定步长的 Euler 或 RK4后面会给出例子。3.2 模型结构设计模型分为四个部分编码器将观测映射为潜状态动态网络拟合状态导数解码器将潜状态映射回观测调用方使用积分器完成跨时间的状态推进。为了说明思路这里用维度简化的观测和动作示例实际项目需要替换为图像编码器或点云编码器。import torch import torch.nn as nn class Encoder(nn.Module): def __init__(self, obs_dim, latent_dim): super().__init__() self.net nn.Sequential( nn.Linear(obs_dim, 128), nn.SiLU(), nn.Linear(128, latent_dim * 2) ) def forward(self, obs): params self.net(obs) mu, logvar params.chunk(2, dim-1) std torch.exp(0.5 * logvar) eps torch.randn_like(std) z mu eps * std return z, mu, logvar class ContinuousDynamics(nn.Module): def __init__(self, latent_dim, action_dim): super().__init__() self.net nn.Sequential( nn.Linear(latent_dim action_dim 1, 256), nn.SiLU(), nn.Linear(256, 256), nn.SiLU(), nn.Linear(256, latent_dim) ) def forward(self, t, z, action): t_vec torch.full_like(z[..., :1], t) za torch.cat([z, action, t_vec], dim-1) return self.net(za) class Decoder(nn.Module): def __init__(self, latent_dim, obs_dim): super().__init__() self.net nn.Sequential( nn.Linear(latent_dim, 128), nn.SiLU(), nn.Linear(128, obs_dim) ) def forward(self, z): return self.net(z)编码器输出均值和对数方差通过重参数化得到潜状态这样可以为潜空间增加 KL 正则避免状态空间过于膨胀。动态网络把状态、动作和时间拼接后过 MLP输出的是 dz/dt不是下一时刻的状态。这个设计是全文的关键。3.3 训练数据构造随机化时间间隔要让模型学会连续时间训练样本里必须出现不同的时间间隔 dt。如果所有样本都是固定 0.1 秒模型就会退化成离散模型只是换了一个网络结构而已。正确做法是从轨迹数据里随机采样两个时刻计算它们之间的时间差 dt让 dt 在合理范围内均匀分布。def sample_pair(trajectory, dt_min0.02, dt_max0.5): # trajectory: 包含时间戳、观测、动作的轨迹结构 t0 torch.rand(1).item() * 0.5 dt dt_min torch.rand(1).item() * (dt_max - dt_min) t1 t0 dt obs_t0 interpolate_obs(trajectory, t0) obs_t1 interpolate_obs(trajectory, t1) action interpolate_action(trajectory, t0) return obs_t0, obs_t1, action, dt这里使用插值而不是直接取整帧是因为 t0 和 t1 大概率不落在原始采样点上。对真实传感器数据来说这种任意时刻取观测的能力本身就需要一个轻量的线性插值或最近邻插值。训练时随机化 dt 之后模型的积分长度每次都不一样它必须学会统一的导数函数才能同时满足所有间隔。训练循环的核心是把 obs_t0 编码成 z_t把 obs_t1 编码成 z_tdt让动态模型从 z_t 出发、积分 dt 后得到 z_pred再用 z_pred 与 z_tdt 的误差作为训练信号。def odeint_forward(dynamics, z0, action, t0, t1): # 这里使用 torchdiffeq 的 rk4中等精度适合小规模训练 from torchdiffeq import odeint t torch.tensor([t0, t1], dtypez0.dtype) states odeint(lambda t, z: dynamics(t, z, action), z0, t, methodrk4) return states[-1] def train_step(model, optimizer, obs_t0, obs_t1, action, dt): z_t, mu, logvar model.encoder(obs_t0) z_tdt model.encoder(obs_t1)[0] z_pred odeint_forward(model.dynamics, z_t, action, 0.0, dt) recon_loss ((z_pred - z_tdt) ** 2).mean() kl_loss -0.5 * (1 logvar - mu.pow(2) - logvar.exp()).mean() loss recon_loss 0.01 * kl_loss optimizer.zero_grad() loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) optimizer.step() return loss.item()注意两点。一是梯度裁剪ODE 求解过程会展开多层积分梯度沿时间反向传播时容易爆炸裁剪是必要措施。二是 torchdiffeq 的 odeint 在时间点很多时数值开销大训练早期用 rk4 加少量中间点即可不必一上来就用自适应求解器。3.4 关键参数解释参数建议值作用调大影响调小影响latent_dim16 到 64潜状态维度表达能力强但容易过拟合欠拟合动态细节丢失dt_min1/120 秒最短训练间隔短时精度更好训练数据集中在近距离对dt_max0.5 到 1 秒最长训练间隔长时预测能力更强长时 rollout 偏差大kl_weight0.01 到 0.1潜空间正则强度状态更平滑但重建模糊状态空间失稳solverrk4积分精度更准但更慢误差累积快grad_clip1.0梯度稳定训练平稳但收敛慢梯度爆炸风险高dt_min 和 dt_max 决定了模型在什么时间尺度上学习。如果任务里既有快速弹跳又有缓慢漂移建议在一个 batch 内混合多种尺度的 dt而不是把所有样本的 dt 集中在一个窄区间里。kl_weight 不宜过大连续时间模型的目标是准确地预测动态过度正则会让潜状态彼此靠近预测帧变得模糊。3.5 训练稳定性问题连续时间模型比离散模型更容易出现数值问题原因在于反向传播要穿过积分过程。常见处理手段有三个。第一对状态和动作做归一化。观测编码后的潜状态如果方差很大导数函数很容易输出发散值积分几步就溢出。建议把潜状态用 LayerNorm 或简单标准化约束到稳定范围。第二在动态网络输出端加 tanh 或乘上一个可学习缩放系数限制导数的大小。物理系统的状态变化率通常有上界限制导数可以避免积分发散。第三训练初期使用较小 dt 范围让模型先学会短时动态再逐步扩大到长间隔。这类似课程学习能明显提升收敛稳定性。4. 任意帧率生成与验证4.1 同一模型生成不同帧率序列训练完成后生成过程非常直观。给定当前观测和一个动作序列按目标帧率计算积分步长逐个动作积分并解码。下面的函数接受 fps 参数同一个模型可以生成任意帧率的结果。def generate_sequence(model, obs, action_sequence, fps): z, _, _ model.encoder(obs) frames [] delta 1.0 / fps t 0.0 for action in action_sequence: z odeint_forward(model.dynamics, z, action, t, t delta) frame model.decoder(z) frames.append(frame) t t delta return torch.stack(frames)这个实现的性能瓶颈在循环里的一次次积分。如果动作序列很长可以考虑把积分区间合并成多目标时间点一次性调用 odeint减少 Python 循环开销。这里为了清晰保留逐帧循环工程优化时可以替换。验证任意帧率能力时最直接的实验是用同一段起始观测和同一段动作分别调用 fps10、fps30、fps60观察生成的序列是否在相同物理时刻对齐。例如 30Hz 序列的第 3 帧和 10Hz 序列的第 1 帧都对应 t0.1 秒它们的语义内容应该一致只是时间分辨率不同。4.2 评估指标评估连续时间世界模型不能只看生成画面是否清晰更要看动态预测是否准确。常用指标包括指标含义使用方式潜状态预测误差预测潜状态与真实潜状态的 MSE衡量动态模型精度观测重建误差解码帧与真实观测的 MSE 或 L1衡量编码解码质量多帧率一致性同一起始状态下不同 fps 序列在相同时刻的差异衡量连续时间语义动作条件正确性同一状态不同动作生成结果是否分化衡量动作条件是否有效长时 rollout 漂移预测 1 秒、3 秒、5 秒后的误差增长衡量长期稳定多帧率一致性是连续时间模型特有的指标离散模型很难做到。做法是取同一时刻 t 0.5 秒分别从 10Hz、20Hz、50Hz 序列中取对应帧比较它们之间的相似度。差异越小说明模型真正学会了时间语义而不是在某个帧率上死记分布。4.3 对比实验设计如果要做对比实验最公平的对手是相同结构的离散世界模型。把训练数据固定到单一 dt例如 1/30 秒训练一个离散版本再用随机 dt 训练连续版本。测试时各自生成 30Hz 序列比较短时和长时误差。模型训练帧率生成帧率短时误差长时误差离散模型30Hz 固定30Hz低高离散模型30Hz 固定60Hz 插值中高连续模型随机 dt30Hz中低低连续模型随机 dt60Hz中低低离散模型在训练帧率上可能非常有优势因为它的转移函数就是专门为这个 dt 拟合的。连续模型的价值体现在跨帧率迁移和长时一致性而不是在单一固定帧率上刷数字。评估时不要只比较训练帧率上的拟合误差要重点测它能不能生成训练时没有见过的帧率。5. 常见问题与排查路径连续时间世界模型的训练和推理坑不少。下面按现象、原因、检查、解决的方式列出最典型的几类。5.1 训练 loss 不下降或震荡现象前几百步 loss 基本不动或者上下剧烈波动。可能原因包括数据里的 dt 跨度过大导致短间隔和长间隔的梯度互相冲突潜状态未归一化导致积分发散学习率过高。检查顺序先固定 dt 为一个较小值确认模型能正常拟合再打印潜状态的范数观察是否持续增大最后看梯度范数是否出现 NaN 或超大值。解决方式减小 dt_max降低学习率增加梯度裁剪在动态网络输出端加 tanh 限幅。如果固定 dt 能收敛而随机 dt 不能问题基本在数据采样范围上。5.2 生成结果模糊像多帧平均现象解码出来的观测边缘模糊细节丢失尤其在快速运动区域。这种模糊通常是潜空间正则过强或者编码器把不同时间状态的差异挤压到了很小的空间里。连续世界模型为了同时拟合多种时间间隔如果潜向量表达能力不够就倾向于输出一个平均状态导致动态差异被平滑掉。检查 KL loss 在总 loss 中的占比以及同一轨迹不同时刻的潜状态距离。如果潜状态距离非常小说明编码器没有把时间信息保留下来。解决方式增大 latent_dim降低 kl_weight或者在训练目标里加入更明确的动态对比损失强制同一轨迹不同间隔的潜状态拉开距离。5.3 长时间 rollout 漂移现象预测前 0.5 秒很准到 3 秒后开始偏离甚至出现物理上不可能的观测。原因是自回归误差累积。每步预测都有微小误差下一步的输入又来自上一步的输出误差随时间指数放大。连续模型因为引入了数值积分误差来源比离散模型更多除了模型本身的拟合误差还有积分截断误差。检查方式分别记录 0.5 秒、1 秒、2 秒、5 秒的预测误差绘制误差增长曲线。如果误差线性增长说明是模型拟合精度问题如果指数增长说明动态函数本身不稳定。解决方式训练时加入噪声注入在每一级 rollout 的输入里加少量扰动让模型学会纠错或者在长间隔训练样本上做多步展开直接优化长时间一致性。积分求解器也要从 rk4 换成更高精度的自适应方法。5.4 调整帧率后动作错位现象用同一个动作序列生成 10Hz 和 60Hz 结果发现 60Hz 序列的动作节奏不对快速动作被拉长或压缩。原因是动作序列本身也是时间信号。生成 60Hz 时动作序列如果仍然按 10Hz 的密度提供模型在两个动作之间没有中间动作信息动态函数只能靠外推或隐式假设导致动作语义漂移。连续时间世界模型要求动作在积分区间内也是连续的。要么用动作插值把低频动作补成高频要么让动态函数把动作看作区间内常值并对区间分段处理。不要把动作稀疏化问题甩给模型模型只能保证在给定动作描述下预测准确。5.5 求解器误差过大现象rk4 生成的短时结果和 dopri5 生成的结果差异明显或者改变积分中间点数量后结果不稳定。原因是求解器阶数和步长不匹配。rk4 是固定步长方法如果步长超过系统动态的快速变化尺度误差会迅速累积。尤其当潜状态里存在高频振荡时固定步长很容易错过拐点。检查方式同一输入分别用 rk4 和 dopri5 跑一遍比较潜状态差。如果差异超过任务允许的误差范围说明当前求解器精度不够。解决方式训练和推理使用不同的求解器策略。训练用固定步长 rk4 保持梯度可计算推理用自适应求解器提高精度或者将积分区间内部细分增大中间时间点的数量。下面用一张速查表汇总这些问题问题现象常见原因检查方式处理建议loss 不下降dt 跨度过大、潜状态发散、学习率过高先固定小 dt 验证查看潜状态范数缩小 dt 范围、加梯度裁剪、限制导数输出生成模糊潜空间过度正则、latent_dim 不足检查 KL 占比和潜状态距离降 kl_weight、增大 latent_dim长时漂移自回归累积误差、动态函数不稳定绘制误差增长曲线噪声注入、长区间多步展开、换高精度求解器帧率调整后动作错位动作序列未按帧率重采样对比不同帧率的动作输入对动作插值或分段常值处理求解器结果不稳步长过大、求解器阶数不足对比 rk4 与 dopri5 结果推理用自适应求解器、增加中间点6. 学习环境与生产环境的差异6.1 学习验证环境怎么快速跑通学习阶段的目标是理解机制不需要大模型、大算力。一个二维点机器人或倒立摆环境就足够验证连续时间建模和任意帧率生成。训练数据可以用仿真器生成几百条轨迹就能看到明显效果。快速跑通的最小路径是用仿真环境生成带时间戳的轨迹数据实现 Encoder、ContinuousDynamics、Decoder 三个类随机采样 dt 训练最后用 generate_sequence 输出不同帧率序列做可视化。整个过程在 CPU 上也能运行关键是先把逻辑跑通不要一上来就上高维图像。6.2 生产环境需要补齐的能力生产环境与学习环境差别很大。真实机器人场景里数据采集、时间戳对齐、异常处理、安全保护都要单独设计。维度学习验证环境生产落地环境数据仿真生成、干净、等间隔真机采集、丢帧、噪声、时间戳乱序动作控制简单动作序列需要与规划器、控制器联动高频动作插值数值稳定性失败重跑即可需要 NaN 检测、状态范围校验、回退机制日志监控可视化 notebook训练与推理日志、指标监控、告警模型部署PyTorch 直接跑需要导出、量化、推理延迟控制安全边界无预测结果必须经过安全校验才能进入控制链路版本管理单机实验数据集版本、模型版本、求解器参数都要追踪生产环境最容易被忽略的是时间戳质量。真机系统里不同传感器的时间基准不同如果数据采集链路没有做好时间同步训练数据的 dt 本身就是错的连续模型学出来的导数函数也是错的。这个问题发生在模型训练之前但会在预测阶段集中暴露。6.3 可复用检查清单无论是做研究实验还是工程落地建议每次训练前按这张清单自查数据时间戳是否统一到同一个时间基准。训练样本的 dt 范围是否覆盖实际推理需要的帧率。动作序列是否与观测时间对齐。求解器精度是否在验证集上做过敏感性测试。潜状态是否存在 NaN 或持续膨胀。是否同时评估了短时误差、长时误差和跨帧率一致性。推理时的积分步长是否满足延迟要求。模型输出的物理边界是否经过校验。清单里每一项都对应一个真实事故。尤其是时间戳和动作对齐这两项出错时模型特征会表现得很奇怪但排查起来又不容易所以放在最前面。7. 扩展方向与落地建议7.1 与显式物理约束结合纯神经网络动态函数拟合能力强但会对物理规律产生幻觉。一个常见做法是把网络输出和显式物理模型混合已知动力学用物理公式计算未知摩擦、接触、流体等残差用神经网络补齐。连续时间世界模型天然适合这种结构因为物理公式本身就是微分方程把网络输出的残差直接加到等式右边即可。7.2 多模态对齐真实机器人有图像、点云、力觉、关节角等多种观测。连续时间建模可以用来对齐这些异构传感器它们虽然采样率不同但描述的是同一个物理状态。用一个连续潜状态作为公共表示把不同模态的编码器都接到这个状态上再通过解码器生成各自模态的预测可以在统一的时序语义下完成多模态融合。7.3 从仿真到真机的迁移仿真器里训练的世界模型迁移到真机时动态参数的偏差会带来预测误差。连续时间模型因为显式建模了时间可以尝试在线估计动态函数的偏移项在真机运行的前几步用真实观测和预测的差异来修正导数函数。这个机制在离散模型里很难做因为离散模型没有清晰的时间尺度概念无法区分是时间偏移还是状态偏移。7.4 现阶段最该关注的技术点对于想复现或跟进这个方向的开发者建议按以下顺序投入精力。先掌握 Neural ODE 的数值求解和反向传播原理这是连续时间建模的地基再吃透随机时间间隔训练的必要性理解为什么固定 dt 会让连续模型退化成离散模型然后设计合理的评估实验多帧率一致性测试比单帧率误差更有说服力。标题里强调全球首个更多是宣传口径没有必要纠结这个表述是否绝对准确也不必由此认为方案已经成熟。任何新方向都会经历从概念验证到工程收敛的过程。对追求可复现结果的开发者而言最值得做的判断是连续时间建模是否真正解决了跨帧率对齐这个具体问题以及随机时间间隔训练在你的数据上是否稳定。先把最小模型跑通再逐步扩大数据规模和时间跨度是更稳妥的路径。