기존 로봇 비디오 월드 모델은 주로 재구성 (reconstruction) 과 지각적 유사성 (perceptual similarity) 같은 저수준 목표 (low-level objectives) 로 훈련되며, 이는 로봇 의사결정에 가장 중요한 능력인 명령어 수행 (instruction following), 조작 성공 (manipulation success), 물리적 타당성 (physical plausibility) 과는 잘 정렬되지 않았습니다. 또한 장기적 자기회귀 예측 (long-horizon autoregressive prediction) 에서 오류가 누적되는 문제도 겪습니다. 우리는 로봇 비디오 월드 모델에 대해 보상 정렬 후 훈련 (reward-aligned post-training) 과 안정화된 장기적 추론 (stabilized long-horizon inference) 을 결합한 RoboAlign-R1 프레임워크를 제시합니다. 우리는 4 개의 로봇 데이터 소스에서 수집한 10,000 쌍의 주석 처리된 비디오-명령어 쌍을 포함하는 RobotWorldBench 벤치마크를 구축하고, 세밀한 6 차원 평가 (fine-grained six-dimensional evaluation) 를 제공하기 위해 멀티모달 스터디지 Judge 로 RoboAlign-Judge 를 훈련했습니다. 우리는 이 스터디지를 효율적인 강화학습 기반 후 훈련을 위한 경량화된 학생 보상 모델로 정렬 (distill) 했습니다. 장기적 롤아웃 드리프트 (long-horizon rollout drift) 를 줄이기 위해, 우리는 주기적으로 생성 컨텍스트를 새로워지는 Sliding Window Re-encoding (SWR) 을 추가했습니다. 우리의 도메인 내 평가 프로토콜에서 RoboAlign-R1 은 가장 강력한 베이스라인보다 10.1% 점수 향상으로 총합 6 차원 점수를 개선하며, 조작 정확도 (Manipulation Accuracy) 에서 7.5%, 명령어 수행 (Instruction Following) 에서 4.6% 의 향상을 보였습니다. 이러한 순위 개선은 외부 VLM 기반 교차 확인과 맹검법 인간 연구에 의해 추가적으로 지원됩니다. 또한 SWR 은 약 1% 추가 지연 시간으로 장기적 예측 품질을 향상시키며, SSIM 에서 2.8%, LPIPS 에서 9.8% 를 감소시켰습니다. 이 결과는 보상 정렬 후 훈련과 안정화된 장기적 디코딩이 로봇 비디오 월드 모델에서 작업 일관성 (task consistency), 물리적 현실성 (physical realism), 장기적 예측 품질을 개선함을 보여줍니다.