「stable-worldmodel」世界模型研究平台：统一数据采集、训练和 MPC 评估的开源工具箱

stable-worldmodel 是 galilai-group 开源的世界模型研究与评估平台，目标是把数据采集、模型训练、以及通过 model-predictive control 做评估这三段流程放到同一个接口里。对做 world model、JEPA、强化学习或机器人控制研究的人来说，它想解决的是“每篇论文都重新搭一套环境、数据格式和评估脚手架”的重复劳动。

它的核心抽象是 World：先在标准环境里收集数据，再用统一的数据加载接口训练自己的 world model，最后把模型交给 CEM、iCEM、MPPI、Predictive Sampling 或梯度优化类 solver 做规划评估。这样研究代码可以更集中在模型结构和目标函数上，而不是反复处理环境封装、轨迹存储和 benchmark glue code。

README 里比较实用的一点是数据格式注册表。它支持 LanceDB、HDF5、folder、video 和 LeRobot Hub 只读适配，官方 benchmark 也直接给出一个直观结论：同样 PushT 数据上，LanceDB 本地读取可到约 4814 samples/s，而 HDF5 本地约 1416 samples/s；视频格式存储最省，但训练读取不是最快。这些数字对长期跑实验的人比宣传语更有用。

环境覆盖也很宽：DeepMind Control Suite、Gymnasium classic control、OGBench、Craftax、Atari，以及 Two-Room、PushT 等世界模型 benchmark。许多环境还带 factors of variation，可以调光照、纹理、动力学或形态，用来测试模型在分布变化下的泛化能力。

项目当前约 1.3k stars，主要语言是 Python，PyPI 最新版本为 0.1.0，要求 Python 3.10 以上；LeRobot 额外支持需要 Python 3.12 以上。GitHub 仓库元数据没有显示 license 字段，但 PyPI classifier 标注为 MIT。需要注意的是 README 明确说库仍在 active development，minor version 之间 API 可能变化，更适合研究迭代和 benchmark 复现实验，而不是直接当稳定生产依赖。