在具身智能领域，物理世界中的强化学习（RL）长期受限于高昂的硬件成本、繁琐的环境重置需求以及试错过程带来的安全风险 。为此，OpenDriveLab提出了RISE，一种通过“想象”来实现机器人策略自主进化的可扩展强化学习框架。RISE的核心突破在于构建了一个组合式世界模型（Compositional World Model） 。该架构巧妙地将环境模拟解耦为两个独立的模块：一个是负责根据动作精准预测未来多视角状态的动力学模型，另一个则是负责评估“想象”结果并提供高质量优势函数（Advantage）的价值模型 。借此，机器人无需在真实的物理环境中进行耗时、昂贵的交互，而是直接在世界模型构建的想象空间中闭环更新策略。RISE打破了物理瓶颈，为具身基础模型的高效自我提升开辟了新范式。
