galilai-group/stable-worldmodel
A platform for reproducible world model research and evaluation
Python · ★ 1,523 · Fork 171 · 在 GitHub 查看
在手机上浏览源码、订阅每日 AI 趋势日报与项目架构深度解读:获取 CopoHub 客户端(iOS & HarmonyOS)→
GitHub Trending 上榜记录
galilai-group/stable-worldmodel 已在 GitHub Trending 每日榜单上榜 3 天,最高排名第 9,首次上榜 2026-05-29,最近一次上榜 2026-05-31。
| 日期 | 排名 | Star | 当日增长 |
|---|---|---|---|
| 2026-05-31 | #9 | 1,523 | +318 |
| 2026-05-30 | #9 | 1,440 | +362 |
| 2026-05-29 | #9 | 1,219 | +346 |
同期上榜的项目
- harry0703/MoneyPrinterTurbo – 利用 AI 大模型和自动化工作流,根据主题或关键词一键生成高清短视频。Generate HD short videos from a topic or keyword with an automated AI workflow.
- microsoft/markitdown – Python tool for converting files and office documents to Markdown.
- D4Vinci/Scrapling – 🕷️ The BEST Web Scraping framework that handles everything from a single request to a full-scale crawl! Don't be shy, join here: https://discord.gg/EMgGbDceNQ and follow here for daily tips and tricks: https://x.com/Scrapling_dev
- nesquena/hermes-webui – Hermes WebUI: The best way to use Hermes Agent from the web or from your phone!
- EveryInc/compound-engineering-plugin – Official Compound Engineering plugin for Claude Code, Codex, Cursor, and more
- github/docs – The open-source repo for docs.github.com
stable-worldmodel 项目深度剖析与商业评估报告
stable-worldmodel 项目深度剖析与商业评估报告
1. 核心定位与商业落地价值
根本痛点解决 世界模型研究领域长期面临三大核心痛点:实验不可复现(因环境配置、数据格式、随机种子等差异导致结果偏差)、评估标准碎片化(不同论文使用各异的环境、指标和基线)、数据管道割裂(数据采集、模型训练、MPC评估三个阶段需要独立编写大量胶水代码)。stable-worldmodel 通过提供一个统一的、可复现的平台,从根本上解决了这些问题,将研究者的精力从基础设施搭建解放到模型和目标的创新上。
商业落地场景 机器人仿真训练:企业可在 swm/PushT-v1、swm/FetchPickAndPlace-v3 等标准化环境中快速迭代机器人操作策略,利用内置的 FoV(因素变化)系统评估模型在光照、纹理、动力学变化下的零样本泛化能力,大幅降低真实机器人部署前的仿真测试成本。 自动驾驶决策仿真:结合 Craftax、ALE(Atari)等环境,可构建复杂的多模态决策模型,评估其在长时序、稀疏奖励场景下的规划能力。其 MPC 求解器套件(CEM、MPPI、梯度下降等)可直接作为决策模块的候选方案。 工业控制与优化:swm/PendulumDMControl-v0、swm/CartpoleDMControl-v0 等经典控制环境,结合 Augmented Lagrangian 等约束优化求解器,可用于验证面向工业过程控制的世界模型方案,如预测性维护、过程优化等。
竞品差异化与护城河 完整的生命周期覆盖:与 MuJoCo、dmcontrol 等仅提供环境模拟不同,stable-worldmodel 覆盖了数据采集、模型训练、MPC 评估的全流程,且内置了多种数据格式(LanceDB、HDF5、Video、LeRobot)的注册与转换机制,形成端到端闭环。 FoV 系统:为每个环境提供独立可控的视觉与物理变化因子,这是其他平台(如 Gymnasium、dmcontrol)不具备的。这使得零样本泛化评估变得简单、标准化,是学术论文和工业测试的强力卖点。 高性能数据管道:LanceDB 格式在本地读取时达到 4814.8 samples/s,远超 HDF5 的 1416.1 samples/s,且支持 S3 云存储的流式读取(3183.7 samples/s vs HDF5 的 9.1 samples/s),这在大规模数据训练场景下是显著优势。 PyTorch + JEPA 生态:深度绑定 PyTorch 和 JEPA(联合嵌入预测架构),并提供了 LeWM、DINO-WM 等前沿模型的参考实现,直接吸引世界模型研究社区的核心用户群体。
2. 核心架构设计与技术深度
模块拆解思想 项目采用分层插件式架构,核心模块包括: World 层:统一的环境管理接口,负责环境创建、重置、步进、FoV 注入。它封装了 Gymnasium 接口,并支持 numenvs 参数实现多环境并行采集。 Data 层:通过 format registry 实现数据格式的插件化注册。不同格式(lance、hdf5、folder、video、lerobot)通过统一的 Reader/Writer 接口暴露,loaddataset 函数通过自动检测或用户指定格式来选择合适的后端。 Solver 层:提供多种 MPC 求解器的抽象基类,包括采样类(CEM、MPPI)、梯度类(SGD、Adam、PGD)和约束优化类(Augmented Lagrangian)。每个求解器只关心输入(模型、状态、目标)和输出(动作序列),与环境和模型解耦。 Policy 层:WorldModelPolicy 将 Solver 与 PlanConfig 组合,形成可执行的策略,可直接注入 World 进行评估。 Scripts 层:提供参考训练脚本(lewm.py、prejepa.py),作为用户自定义模型的模板。
关键设计模式 策略模式:Solver 系列实现了不同的 MPC 求解策略,用户可通过替换 Solver 实例来切换规划算法,无需修改评估代码。 注册表模式:数据格式、环境、求解器均通过注册表管理,支持运行时动态添加新组件。例如,swm.data.registerformat("myformat", MyReader, MyWriter) 即可扩展新格式。 外观模式:swm.World 对外提供 collect、evaluate 等简化接口,隐藏了环境创建、数据写入、多进程管理等复杂细节。 依赖注入:WorldModelPolicy 接收 Solver 和 PlanConfig 作为构造参数,使得策略行为可由外部配置驱动。
在 README 中展示上榜徽章
[](https://github.fq6825.top/repo/galilai-group/stable-worldmodel)