封面为 AI 生成的示意插图（内容由AI生成），非论文原图 机器人的「故障」信号，其实早就藏在世界模型的脑子里 FARM：冻住主干、只加 3.4 万个参数，把在线失效监控从「新建」变成「读取」 论文：arXiv:2609.11445（cs.RO）· 2026-09-10 · 中科院自动化所 & 哈工大 · 代码已公开 想象一台在客户现场干活的机械臂。它抓了十次，成功了七次，剩下三次失败的方式各不相同：拿错了物体、卡住不动、把杯子放歪了。 你当然希望系统能 当场知道自己要出事了 ，而不是等你事后翻录像。但做在线失效监控通常意味着：要么找代理信号间接推断风险，要么专门训一个监控模型。 9 月 10 日发布在 arXiv、来自 中科院自动化所 与 哈尔滨工业大学 团队的 FARM ，给出了第三种答案： 不用新增监控模型——失效信号其实早就藏在机器人世界模型的「脑子里」。 论文速览 标题： FARM: Reading Failure Signals from the Internal Predictive States of a Frozen Robotic World Model 作者： Haoran Pei, Mingrui Luo, Senbao Wang, Haoran Lv, Jie Guo, Sheng Zhong, Ruixi Ci 单位： Institute of Automation, Chinese Academy of Sciences（中科院自动化所）；Harbin Institute of Technology（哈工大） 编号： arXiv:2609.11445 （cs.RO）· 2026-09-10 代码： github.com/HaoranPei-casia/FARM 一、问题问得很巧：失效信息是「要加的」还是「已有的」？ 论文把问题拆成一句话： 机器人世界模型的内部预测状态里，是不是已经包含了可以直接解码出来的失效信息？ 这个提问方式很关键。如果答案是「是」，那失效监控就不再需要一套独立系统，而只需要一个 极轻的读出层 ；如果答案是「否」，那就得老老实实训监控模型。FARM 用一组很克制的实验来回答它。 二、方法：冻住主干，只训 33,985 个参数 FARM 的全部「新增」只有一件事：在冻结的 VLA-JEPA 预测状态之上，训练一个 33,985 参数 的监督式读出层。它输出两样东西： 逐步失效分数 ：每一步的执行有多可疑； 因果轨迹风险 ：综合到目前为止的历史，给出整条轨迹的风险估计。 世界模型这边，编码器（V-JEPA2）、预测器（VLA-JEPA）和状态提取路径 全部保持不变 ——不重训、不加控制模块、不动主干。 机器人执行轨迹（仿真任务 ＋ 四类真机群体） 预训练机器人世界模型 VLA-JEPA 编码器、预测器、状态提取路径全部冻结 不重训、不加控制专用模块 内部预测状态（可直接取用的 token 张量） FARM 读出层：33,985 个参数 监督式轻量读出，是整个方法唯一被训练的部分 逐步失效分数 因果轨迹风险 · 在世界模型状态就绪后，平均只增加 0.2256 ms（P99 0.2393 ms） · 检测器单独吞吐约 4,432.8 步/秒 · 主干不动 → 固定读出可跨策略、跨平台复用 · 只给部分因果历史时，也能提前判别失效 图 1 FARM 的结构：冻结的机器人世界模型 ＋ 一个 3.4 万参数的读出层（示意图由 AI 生成，内容由AI生成） 三、实验分四步，把「凭什么成立」逐条堵死 先证明信息真的在状态里。 七折交叉（五折 out-of-fold）在七个源任务上取得 85.68 / 88.59 的 Pooled AUROC / AUPRC。因为只有读出层拿到失效标签，这就直接说明：判别能力来自冻结状态本身。 再排除「只是低阶统计量」的解释。 作者对比了七种预定义低阶统计量（全局均值、标准差、RMS 幅度、时间 token 均值变化、终端范数、token 方差等）以及一个把它们全用上的 7 维逻辑回归。WM 状态读出 优于两者 ，也优于其他候选提取位置——说明它的优势不止是「隐藏状态的粗略统计」。 再做同口径多任务对比。 在匹配的 10 任务基准上，FARM 在 15 个基线中拿下 全部四项 Seen 指标第一 ，相对最强的 SAFE-MLP 在宏平均上高出 +5.42 / +4.88 AUROC / AUPRC 个百分点。而在严格未见任务上，零样本表现最好的并不是 FARM（是 STAC-Single），FARM 只排在 SAFE-MLP / LSTM 之上——这一点论文没有藏着。 最后上真机。 在四种真实部署组合上测固定读出层的迁移与「只调读出」的适配。 真机组合（轨迹数） 零样本 · 扩展集 零样本 · 核心集 仅读出适配 PIPER X / VLA-JEPA（100） 90.91 / 93.20 72.73 / 90.11 95.73 / 97.80 PIPER X（497） 84.70 / 79.13 41.35 / 35.43 98.48 / 98.41 SO-101 / Eval-RL（70） 69.85 / 68.46 57.80 / 42.76 82.88 / 73.06 Franka（778） 55.89 / 55.82 51.58 / 54.66 75.78 / 74.31 表 1｜真机 AUROC / AUPRC（%），数据来自论文 Table IV。窄屏可横向滑动。 这张表信息量很大： 跨策略、跨平台、跨相机、跨视觉域 时，固定读出层的零样本迁移并不均匀——PIPER X 的某些组合能到 90+，Franka 上则只有 55 左右；但只要允许 只用目标域的少量轨迹调一下读出层 （Adapt-35 设定：每个任务每个外折 35 条带标签轨迹），四项聚合指标就全面领先，PIPER X 甚至冲到 98.48 / 98.41。论文把这总结为：残余的任务语义偏移，可以被这个轻量读出层吸收掉。 还有一个工程上很关键的细节： 因果的部分历史 。只看到 25% 的执行历史时判别力已经不错，到 75% 时 Pooled AUROC/AUPRC 只比完整历史低 1.78 / 1.27 个点——意味着不必等到一条轨迹跑完才报警。延迟上，在世界模型状态已经就绪的前提下，FARM 平均只增加 0.2256 ms CUDA 时间（P99 0.2393 ms），检测器单独吞吐约 4,432.8 步/秒 。 图 2 概念示意：失效分数在异常出现的那一刻抬升——「卡住」「拿错」「放歪」都能被同一条监控链路捕捉（插图由 AI 生成，内容由AI生成） 四、它真正的价值：把监控变成「复用」而不是「新建」 边际成本极低。 3.4 万参数、亚毫秒延迟——相对重训一个监控模型，这是完全不同的量级。 跨本体可复用。 同一个固定读出层接口能吃 PIPER X、SO-101、Franka 三个平台的数据。 因果性在线。 逐步分数与轨迹风险分开给出，异常出现的时刻（拿错物体、长时间停滞、放歪）与分数抬升在时间上对齐——这意味着它有可能接上「干预或恢复策略」，而不只是事…