过去一年，具身智能（Embodied AI）领域出现了一个明显的范式转向：只输出动作的 VLA 正在被"边想象世界、边规划动作"的 WAM（World-Action Model，世界行动模型）挑战。从 NVIDIA 在 2026 年 2 月提出 “WAM” 这个词并做出 DreamZero，到 9 月 Black Forest Labs 的 FLUX 3 Action 登顶 RoboLab-120、斯坦福系的 OpenWAM 把 46 个检查点全部开源，再到 RoboDojo 基准把 ECCV 2026 挑战赛的主题直接定为"安全世界模型"——这条赛道在十个月内从一篇论文变成了一整个生态。
本文是对这条赛道的一次全景式调研：谁在做（厂商与高校地图）、做了什么（六大架构流派）、打出了什么成绩（RoboDojo / RoboLab-120 等榜单逐条分析）、以及接下来会怎么走（七条趋势判断）。调研以 arXiv 原文、官方技术报告、官方排行榜为一手来源（微信公众号等二手转述不在采信范围内），文中所有数字都注明出处与评测口径。
本文是《前沿VLA模型全景速览》的姊妹篇。如果说 VLA 篇回答的是"端到端动作模型长什么样"，这篇回答的就是"把世界模型和动作模型焊在一起之后，世界变成了什么样"。操作方向的模型在FLUX 3 Action 精读里有逐图深挖，本文负责把它们放进同一张地图。
30秒结论
- WAM = 世界模型 + 动作模型的联合分布：一个模型同时预测"接下来画面怎么变"（视频/世界流）和"我该怎么动"（动作流），用视频预测给策略注入物理先验。
- “WAM"一词是 NVIDIA 发明的（DreamZero，2026年2月），但技术谱系更早：UniPi 的"先想象再执行”、GR 系列、WorldVLA、Cosmos Policy、Motus 都是前身；学术圈也常叫 VAM（Video-Action Model）。
- 两篇加长详解值得精读（4.3/4.4）：Cosmos Policy——latent frame injection 三模式 + 价值头 best-of-N，185条真机数据做到93.6%，证明"微调视频生成器就是SOTA策略"；DreamDojo——44k小时人类视频 + 连续latent action 预训练的基础世界模型，蒸馏到10.8 FPS，把 WAM 的用途从涨点扩展到"策略评测与规划的模拟器"。
- 六大架构流派已经分化：两段式（想象→执行）、联合双向、因果可选视频、训练用推理弃、异步双频、动作即视觉token——效率与统一性的取舍是分野主线。
- 榜单现状（截至2026年10月）：RoboDojo 仿真榜（官方 2026-08-26 版）前 15 名中 WAM 只占 4 席（X-WAM #10、GigaWorld-Policy-0 #13、LingBot-VLA #15、AHA-WAM #17、Fast-WAM #19），但新一波（PatchWAM 29.39、OpenWAM-α）已经杀到前列；RoboLab-120 上 WAM 则全线上位（FLUX 3 Action 42.92 > OASIS 39.0 > Cosmos-3-Nano-Policy 36.8 > π0.5 28.0 > DreamZero 25.7）。
- 训练时建模正在取代测试时想象：Fast-WAM、GigaWorld-Policy、ABot-M0 一代都不再在推理时跑视频扩散，延迟压到 190–225ms，和 π0.5 一个量级。
- 中国团队密度极高：NVIDIA、BFL、蚂蚁（Robbyant）、GigaAI 之外，Motus（清华+生数+北大+地平线）、AHA-WAM（上交）、Fast-WAM（清华）、RoboDojo（港大+北大+清华 XPolicyLab）全是国内团队；OpenWAM 背后是 NUS/清华/北大/港大/浙大/港中文/上交七校联盟。
一、WAM是什么：把"世界怎么变"和"我该怎么动"装进同一个模型
###1.1 一句话定义
VLA 学的是条件分布 p(动作 | 观测, 指令)——看一眼图，吐出动作。WAM 学的是联合分布：
p(未来视频, 动作 | 历史观测, 指令)
├── 世界流（world stream）：预测未来若干帧的视觉 latent → "世界会怎么变"
└── 动作流（action stream）：输出可执行的动作块 → "我该怎么动"
两条流不是各干各的：世界流给动作流提供"物理上接下来会发生什么"的上下文（这就是物理先验），动作流反过来告诉世界流"在我这个动作下环境会怎么变"（这就是因果性）。2026年9月的综述 arXiv 2609.16074（World-Action Models for Robot Learning and Control: A Survey）把这条路线与 VAM（Video-Action Model）概念并置讨论；更早的教程 arXiv 2607.00836 则把从世界模型到世界行动模型的演进梳理成了短教程。两家的共同判断是：WAM 不是世界模型和 VLA 的简单串联，而是一种新的建模对象。
###1.2 和 VLA 比，赢在哪、输在哪
| 维度 | VLA（如π0.5） | WAM（如Motus、DreamZero） |
|---|---|---|
| 建模对象 | p(动作|观测,指令) | p(未来视频,动作|观测,指令) |
| 物理先验 | 隐式（靠数据规模） | 显式（视频预测就是物理模拟） |
| 数据复用 | 只能用带动作标注的机器人数据 | 大量无动作的互联网视频也能学 |
| 长程任务 | 无内部"预演"，靠外挂记忆模块 | 世界流天然是滚动记忆/预演 |
| 推理延迟 | 低（一次前向出动作） | 高（视频扩散很贵）→ 需蒸馏/异步 |
| 可解释性 | 黑盒动作 | 可以"看"模型想象的未来 |
代价也很清楚：延迟和算力。这也是为什么2026年下半年几乎所有 WAM 论文都在卷"推理时视频可以不跑"——详见第四、十节。
###1.3 谱系：WAM 不是从石头里蹦出来的
2023 UniPi 两段式鼻祖：先用视频扩散"想象"，再用视觉伺服/IDM执行
2023-24 GR-1/GR-2 视频预训练的VLM接动作头，"以视频理解带动作"
2024 WorldVLA 把世界模型与VLA装进一个自回归框架
2024-25 UWM等 观测token与动作token直接拼接，单流联合建模
2025 mimic/VAM 视频动作模型（Video-Action Model）口径
2025.12 Motus MoT三专家统一五种模式，latent action解锁动作预训练
2026.01 Cosmos Policy 微调视频生成器(Cosmos Predict2)直接出动作,三模式+价值头
2026.02 DreamDojo 44k小时人类视频+连续latent action预训练基础世界模型
2026.02 DreamZero NVIDIA正式命名"World-Action Model"
2026下半年 快速分化 训练用推理弃 / 异步双频 / Action-as-Patch / 开源基建
注意两个容易混淆的名字：VAM（Video-Action Model） 和 WAM 在多数论文里指同一件事（比如 OpenWAM 的论文里 LingBot-VA 既是 VAM 也是 WAM），区别主要是各家选的旗号；而 VWM（Video World Model） 只有世界流、没有动作流，不算 WAM。
二、六大架构流派：同一道题的六种解法
所有 WAM 都在回答同一个问题——**“世界预测"和"动作执行"应该以什么方式耦合？**2026年的答案已经分化成六个流派：
流派A 两段式（Imagine-then-Execute）
视频扩散想象未来 → 视觉伺服/IDM读图执行
代表：UniPi、mimic-video 优点：直观 缺点：延迟爆炸、开环
流派B 联合双向（Joint Bidirectional）
视频与动作token放进同一个Transformer，双向注意力联合去噪
代表：DreamZero、Motus、LingBot-VA、FLUX 3 Action、Cosmos-3
优点：耦合最深 缺点：视频与动作互相拖慢
流派C 因果可选（Causal, Video-Optional）
因果mask保证"未来视频token不许影响动作"；推理时视频可整个跳过
代表：GigaWorld-Policy、LingBot-VA(自回归版)
优点：训练有物理先验、推理免费 缺点：训练配方讲究
流派D 训练用、推理弃（Train-Time World, No Test Imagination）
训练时视频辅助收敛，部署时只跑动作头
代表：Fast-WAM、ABot-M0、Rift(future token免rollout)
优点：延迟最低 缺点：推理时"想象力"只剩参数
流派E 异步双频（Asynchronous Dual-Rate）
视频分支低频"慢规划"（带滚动KV记忆），动作分支高频"快执行"
代表：AHA-WAM、X-WAM(异步去噪)、LingBot-VA(异步执行)
优点：规划与执行解耦 缺点：两套时钟的工程复杂度
流派F 动作即视觉token（Action-as-Patch）
不再给动作单独的DiT，把动作步映射成视觉latent空间里的一个"patch"
代表：PatchWAM 优点：架构极简 缺点：路线很新、证据少
一个很有信息量的旁证来自 OpenWAM（斯坦福/NUS系开源框架，详见4.10）：它把"世界与动作以何种注意力结构交互"做成受控消融，结论是视频→动作的单向信息流 + 专门的动作容量 + 联合去噪三者缺一不可——纯两段式（先看视频再IDM）反而掉点。这解释了为什么流派B/C成为了2026年的主流。
三、发展时间线：十个月，从一篇论文到一个生态
2025年12月—2026年9月主要WAM发布时间线（按arXiv/官方发布时间排列）。Motus是引爆点，NVIDIA用DreamZero完成命名，2026年9月是密集发布期（FLUX 3 Action、OpenWAM、PatchWAM）。
三个节奏值得注意：
- 2025年12月—2026年2月：奠基期。Motus（12月15日）证明MoT统一框架能同时拿到世界模型、VLA、IDM五种模式；一个月后 Cosmos Policy 首次证明"微调视频生成器直接出动作"可行；2月6日 DreamDojo 用44k小时人类视频把世界模型推到"基础模型"量级；再十天后 NVIDIA 用 DreamZero 正式命名 WAM 并立下"实时7Hz闭环"的标杆。
- 2026年3月—6月：效率革命期。Fast-WAM（3月）和 GigaWorld-Policy（3月）先后证明推理时不必跑视频；AHA-WAM（6月）用异步双频把闭环推到24Hz；同期 NVIDIA 发布 Cosmos 3 全家桶。
- 2026年7月—9月：基建与榜单期。RoboDojo（7月，港大/北大/清华）给了统一的仿真+真机战场；ABot-M0.5 把 WAM 带进移动操作；9月三个星：FLUX 3 Action 登顶 RoboLab-120、OpenWAM 开源46个检查点、PatchWAM 用"动作即patch"拿下 RoboDojo 当时最高分。
四、重点模型逐个看：团队、架构、成绩、一句话点评
以下按时间与重要性讲13个工作。每个模型给出：团队与时间、arXiv/报告出处、架构要点、训练配方、报告成绩、一句话点评（4.3 Cosmos Policy 与 4.4 DreamDojo 为加长版详解）。所有成绩均带评测口径；不同基准之间不可直接比较（第五、七节详述）。
###4.1 DreamZero（NVIDIA，2026年2月）——“WAM"这个词的发明者
- 出处：arXiv 2602.15922
- 架构：以14B参数的 Wan 图生视频（image-to-video）扩散模型为骨干，把动作latent和视频latent放进同一个去噪过程联合生成——不是先出视频再抽动作，而是一把噪点里同时"雕"出视频和动作（流派B）。
- 成绩：闭环控制7Hz（真机实时）；对最强VLA基线泛化能力提升约2倍；只用视频（完全不给目标本体动作数据）的跨本体迁移能力相对提升42%；30分钟少样本适配即可学会新任务。RoboLab-120 上 DreamZero 得分25.7。
- 点评：历史地位类似 GPT 之于"大模型"这个词——命名者。但它不是终点：14B的视频骨干让它落在"泛化强但打分和速度一般"的位置，后续所有工作都在它的两个短板（延迟、动作精度）上做文章。有趣的是，它的14B在 RoboLab-120 上不敌 FLUX 3 Action 的7B和 π0.5 的3.3B，说明"视频模型越大越好"在动作精度上不成立。
###4.2 Motus（清华+生数+北大+地平线，2025年12月）——统一五种模式的开山之作
- 出处：arXiv 2512.13030，CVPR 2026；一作 Hongzhe Bi、Hengkai Tan，通讯朱军组（THU）；合作者包括生数科技（Shengshu）、地平线机器人。项目页 motus-robotics.github.io。
- 架构：Mixture-of-Transformers（MoT）三专家——理解专家（VLM）、视频专家（VGM）、动作专家——共享注意力但各管各的token流；再用 UniDiffuser 式调度器给视频和动作分配不同的时间步与噪声强度，从而在同一个模型里切换五种模式：世界模型、VLA、逆动力学（IDM）、视频生成、视频-动作联合预测。
- 训练：三阶段（①各专家继承预训练；②用光流学 latent action，冻结VLM全模型预训练动作表征；③目标机器人SFT）+ 六层数据金字塔（从网络视频到目标机器人轨迹逐层收窄）。光流latent action是关键手筋：从像素级"delta"里学动作，让海量无动作标注的视频也能给动作专家上课。
- 成绩：RoboTwin 2.0 随机化多任务设置下相对 π0.5 绝对提升超45%，相对 X-VLA 提升15%；真机相对提升11~48%。在 LingBot-VA 的对比表里 Motus 在 RoboTwin 2.0 上是88.7（easy）/87.0（hard），排在 LingBot-VA（92.9/91.6）之后、π0.5（82.7/76.8）之前。推理代价：约3231ms/动作块（GigaWorld-Policy 论文实测），是效率侧的反面教材。
- 点评：学术上的开山之作，证明了"统一建模五种范式"不但可行还涨点，latent action + 数据金字塔成了后续所有 WAM 的标准配方。短板是慢——3.2秒一个动作块，真机部署需要大改。RoboDojo 榜上没有以 Motus 命名的条目，但多款后继工作（如 Spatial Forcing、各校复现）都站在它的肩膀上。
###4.3 Cosmos Policy 与 Cosmos 3（NVIDIA，2026年1月/6月）——视频基座的工业化路线
- 出处：Cosmos Policy（arXiv 2601.16163，Kim et al.，NVIDIA+Stanford，ICLR 2026；代码 NVlabs/cosmos-policy，Cosmos Cookbook 配方，HF 检查点
nvidia/Cosmos-Policy-ALOHA-Predict2-2B）；Cosmos 3：arXiv 2606.02800。本地有《Cosmos 3 世界基础模型精读》逐章拆解，以及《Cosmos3微调真机落地路线图》把这套配方落到真机的逐项拆解。
核心机制：latent frame injection（把视频生成器"改造成"策略的最小手术）
Cosmos Policy 不给动作造独立专家，而是把观测、动作、未来本体、未来图像、价值全部摆进同一条 latent 画布，靠"哪段干净、哪段加噪"在同一个模型里切换三种模式：
策略模式 [s] → [a, s', V] ← 部署只跑这个（当前观测出动作）
世界模式 [s, a] → [s', V] ← 给定动作想象世界（训练用）
价值模式 [s, a, s'] → [V] ← 判定一条轨迹会不会成功
训练 batch 配比: 策略50% / 世界25% / 价值25%
三个被反复引用的设计细节：
- 动作分支不读"预测出来的视频”：策略模式下动作从当前观测直接条件生成，未来图像是同一次去噪的兄弟输出——视频画错不连坐动作，“视频说抓到了但动作没抓到"在这个框架里是正常现象。
- 不对称去噪：动作5~10步、未来图像1步——视频只需粗轮廓，不需要精细去噪；这是"联合出动作+视频又不慢"的官方答案。
- 价值头替代"看视频判断”：V(s) 用648条混合策略 rollout 单独微调，推理时做 best-of-N 规划——用学出来的价值判断成败，而不是解读生成的视频（视频幻觉的制度性解法）。
训练配方（官方超参，可直接平移的起点）
| 项 | 官方值 |
|---|---|
| 数据 | 真机 ALOHA 四任务共约185条（叠衬衫15/糖果入碗45/糖果入袋45/茄子摆盘80）；LIBERO、RoboCasa 均为每任务50条 |
| 规模 | batch 200、5万步、lr 1e-4、chunk 50、8×H100×48小时（≈1000万样本访问） |
| 噪声 | 训练 70% log-normal + 30% 均匀混合；推理 σ∈[4,80] |
| 图像 | 随机增广 + JPEG压缩 + 翻转全开（trained_with_image_aug、use_jpeg_compression） |
| 收敛判据 | 动作L1 0.010~0.015、未来本体L1≈0.007、未来图像latent L1 0.05~0.09、价值L1≈0.007 |
成绩
| 场景 | 数据量 | 结果 |
|---|---|---|
| LIBERO（仿真40任务） | 约2000条（每任务50） | 平均 98.5%，超 π0.5 |
| RoboCasa | 每任务50条 | 67.1%（P2）/ 71.1%（P2.5），官方口径”6×更少演示" |
| 真机 ALOHA（4任务） | 185条 | 平均 93.6%；价值规划 best-of-N 再 +12.5pp |
| 推理代价 | — | 1413ms/动作块（GigaWorld 论文实测口径）、仅6GB显存 |
- 架构（Cosmos 3 侧）：升级为 Mixture-of-Transformers 双塔（Reasoner 理解塔 + Generator 生成塔），支持文本/图像/视频/音频/机器人动作五模态，配套 OpenMDW-1.1 许可证；Nano-Policy（16B）继承这套基座。Cosmos-3-Nano-Policy 在 RoboLab-120 上 36.8%（仅次于 F3A 与 OASIS，高于 π0.5 的28.0），Edge-Policy 22.9%。
- 点评：NVIDIA 的打法是基座工业化：一套视频基座通吃世界模型、合成数据、策略三条产品线。Cosmos Policy 的历史意义是第一次证明"微调现成视频生成器"就能拿到 SOTA 真机策略——不用从头训 VLA，latent frame injection 此后成为 Cosmos 3、F3A 等一串后继工作的模板；它的三模式 batch 配比则是"一个模型多任务共训"的标准答案。短板也在榜单上摆着：真机平均0.58（GigaWorld口径）低于 Motus 0.76，说明配方会随基准进化。Nano-Policy 用16B打36.8、FLUX 3 Action 用7B打42.9——“以大打小"的效率账在 WAM 时代变得非常微妙。对 MOT/Flow-GRPO 方向的读者，Cosmos 系列最值得精读的是"生成塔如何为动作专家供血"的数据管线。
###4.4 DreamDojo（NVIDIA+HKUST+Berkeley+UT Austin 等，2026年2月）——44k小时人类视频喂出来的基础世界模型
- 出处：arXiv 2602.06949（2026-02-06 提交，ICML 2026）；项目页 dreamdojo-world.github.io；作者含 Linxi “Jim” Fan、Yuke Zhu、Joel Jang、Pieter Abbeel、Jitendra Malik（NVIDIA/UT Austin 系），与 HKUST、Berkeley、UW、Stanford、KAIST、UofT、UCSD 联合。
- 定位：本文里"世界流压倒动作流"的极端样本。其他 WAM 都是"为了更好的策略顺带建模世界”，DreamDojo 反过来：先造一个能被动作操控的通用世界模型，策略与评测只是它的下游应用。骨干直接初始化自 Cosmos-Predict2.5——它同时也是 NVIDIA Cosmos 生态的上游变体。
- 数据（全文盘点里的规模之最）：DreamDojo-HV 44,711小时第一人称人类视频，世界模型预训练史上最大视频混合——相对此前最大数据集：时长15×、技能96×、场景2000×；与 In-lab、EgoDex 按 1:2:10 采样比混合预训练。
- 机制：连续 latent action 当"世界语"（解决"人类视频没有动作标签"）：
- 训练一个 VAE 式时空 Transformer 潜动作模型：编码器吃两帧 (f_t, f_{t+1})，经信息瓶颈压出低维潜动作 â_t；解码器用 â_t + 首帧重构下一帧。
- 这个本体无关的潜动作与时间步 embedding 一起注入骨干 DiT 的各块——人手和夹爪长得再不一样，“怎么动"被统一编码，本体鸿沟（embodiment gap）由此跨过，44k 小时无标注视频全部变成可教的监督信号。
- 与 Motus 的光流 latent action、LingBot-VA 2.0 的共享 latent 空间殊途同归：让视频携带动作监督，是 WAM 数据飞轮的共同答案。
- 后训练与蒸馏：适配新本体时重置动作条件层、在小规模目标机器人数据上微调（GR-1、宇树 G1、AgiBot、YAM；视频采样~10Hz、13帧一窗=首帧条件帧+12步相对动作）；蒸馏管线把生成加速到 10.81 FPS 实时，自回归长程生成稳定运行超过1分钟且上下文一致性更好。
- 成绩与用途：首个在未见物体/新环境上表现出零样本 OOD 泛化的灵巧操作级世界模型（同底座 Cosmos-Predict2.5 直接后训练的对照明显更弱）；后训练后兼具物理理解与精确动作可控性。三类应用：实时遥操（live teleoperation）、策略评测（不碰真机就能评策略）、基于模型的规划（model-based planning）。
- 点评：① 44k 小时人类视频是本文第一节"数据复用优势"的最强证据——VLA 只能吃带动作标注的机器人数据，世界模型能把整个人类活动视频库变成预训练语料；② 它把 WAM 的价值从"涨点工具"扩展成”评测与规划的模拟器"——策略评测不占真机、可反复重放，这是榜单分数之外的第二条价值链（与真机项目"先建回归台再谈训练"的思路同构）；③ 短板同样清晰：没有动作真值的世界模型，精细控制仍必须靠目标机器人后训练+蒸馏——“世界的想象可以零样本，控制的精度不能”。在六大流派里它最接近"世界模型+潜动作"的纯正血统，读它是为了理解 WAM 的另一半天空。
###4.5 GigaWorld-Policy（GigaAI，2026年3月）——“动作为中心"的因果设计
- 出处：arXiv 2603.17240（Ye et al.）；同门姊妹工作 GigaWorld-0 是纯合成数据引擎（本地有《GigaWorld-0 数据引擎精读》），VLA 只吃合成数据训练。
- 架构：因果WAM（流派C）：用因果注意力mask死死保证"未来视频token不许影响当前动作”；预测顺序是先动作、后视频——视频以动作为条件生成，物理因果链在架构里显式成立。推理时视频分支可整个关闭：9×快于 Motus（对齐 π0.5 的225ms量级），机器人操作成功率反超7%。视频基座 Wan2.2-5B DiT。
- 成绩：RoboTwin 2.0 相对 π0.5 提升95%；真机四任务平均：Motus 0.76 > π0.5 0.69 ≈ GigaBrain-0（配套VLA）0.68 > Cosmos Policy 0.58。RoboDojo 榜：GigaWorld-Policy-0 得分6.2（#13）。
- 点评：训练时有想象力、推理时零成本的旗手，也是"视频辅助可以只发生在训练期"这一论点的最强证据。因果mask这个细节看似小，实则解决了联合建模的污染问题——这条经验已被 Fast-WAM、ABot-M0 等多篇工作印证。
###4.6 Fast-WAM（清华朱军/赵航系，2026年3月）——“测试时想象力是必需品吗？”
- 出处：arXiv 2603.16666（Tianyuan Yuan 等，清华）。
- 架构：以 Wan2.2-5B 视频DiT为骨干做视频-动作训练期共训，但部署时完全不跑视频去噪（流派D）——未来视频只在训练中作为中间监督，推理时模型"参数化地"记住了想象能力。190ms/动作块，比"先想象再执行"快4倍。
- 成绩：LIBERO、RoboTwin 2.0、真机任务上与想象式方法打平或更好（RIFT 论文复测其 LIBERO 为96.8）；RoboDojo 得分3.5（#19）。
- 点评：思想实验式的一篇：把"测试时想象"从 WAM 的必要条件降级为可选项，直接引爆了下半年的效率竞赛。它在 RoboDojo 上的3.5和在 LIBERO 上的~97 形成刺眼反差——同一个模型，换个战场就从学霸变学渣，这正好引出第五节的"基准口径"问题。后续 Rift（arXiv 2608.11521）用学习式 anticipation token 一次前向构建未来KV缓存，把 LIBERO 推到98.8且保持247ms，可视为该流派的精修版。
###4.7 AHA-WAM（上海交大姚望/穆瑶组，2026年6月）——异步双频：慢规划，快执行
- 出处：arXiv 2606.09811；一作 Jisong Cai，通讯含 Yao Mu（上交）。
- 架构：双DiT异步（流派E）。视频DiT（4.99B，Wan2.2-5B初始化）当低频世界规划器：带滚动KV记忆，维护长程场景演化的可复用层间latent上下文；动作DiT（1.02B）当高频执行器：每次闭环只查询这份上下文、不去噪视频；再加1.22B的OVCR（观测引导视频上下文路由）模块让复用的上下文跟上最新观测，总计约7.23B。配套 horizon-adaptive offset 训练让规划器与执行器的相位差被显式建模。
- 成绩：RoboTwin 2.0 平均92.80%（clean 93.4 / randomized 92.2），且完全不用机器人数据预训练；真机4任务78.3%（同表：π0.5 76.7、Fast-WAM 68.3、Motus 21.7）；闭环24.17Hz，比 Fast-WAM 快4.59倍。RoboDojo 得分4.8（#17）。
- 点评：把"世界模型的算力摊销"这件事做成了显式架构——视频分支算一次、动作分支用多次，这是异步派的核心经济账。真机上压过 π0.5 但 RoboDojo 只有4.8分，说明它的强项是"视频预训练零机器人数据"的冷启动，弱项是长程开放任务。GitHub（SereneC/AHA-WAM）与HF检查点已开源。
###4.8 X-WAM（2026年4月）——统一4D：视频之外还要几何
- 出处：arXiv 2604.26694（Unified 4D World Action Modeling from Video Priors with Asynchronous Denoising）。
- 架构：在视频先验之上做多视角RGB-D视频+动作的统一生成（流派B+E混合）：把预训练DiT最后几个block复制出一个深度预测分支，用最小代价把2D像素模型升级为带几何的4D世界；去噪过程异步化，优先保证动作快速交付、视频慢工出细活。
- 成绩：预训练5800+小时机器人数据；RoboCasa 79.2%（对照：Cosmos Policy 67.1、UWM 60.8）；RoboTwin 2.0 平均90.7%。RoboDojo 得分7.7（#10，WAM里的最高名次之一）。
- 点评：回答了"像素世界够不够"——操作本质是接触动力学，没有几何的想象是纸上谈兵。深度分支只复制DiT尾部block的轻量设计很经济，值得做 MOT 相关工作的读者借鉴。
###4.9 LingBot-VA / LingBot-VA 2.0（蚂蚁 Robbyant，2026年1月/7月）——自回归因果世界模型
- 出处：LingBot-VA：arXiv 2601.21998，RSS 2026；LingBot-VA 2.0：arXiv 2607.08639。Robbyant（蚂蚁集团旗下具身智能公司）出品，代码开源在 Robbyant/lingbot-va，HF 上已有 LeRobot 格式检查点。
- 架构：自回归扩散（流派C/E）：5.3B双流MoT建在 Wan2.2-5B 栈上（causal视频VAE + UMT5文本编码器），视频latent与动作token交错排成一条自回归序列，跨chunk用KV缓存接力；推理时视频流与动作流各用独立的流匹配调度器，支持异步执行。2.0版进一步原生化：先建观测与动作共享的语义latent空间，再在上面学因果动力学，并用自监督latent action让无动作标注的网络视频也携带动作监督。
- 成绩：RoboTwin 2.0 上首批冲过90+：50任务平均92.9（easy）/91.6（hard），领先 Motus（88.7/87.0）与 π0.5（82.7/76.8）；LIBERO 平均98.5（其中Object 99.6）。代价：约2270ms/动作块（RIFT 论文实测，约为 Fast-WAM 的9.6倍）——自回归世界建模的延迟账单很厚。
- 点评：“世界模型作为长程记忆"路线的代表：KV缓存让长任务不漂移，长程任务指标（LIBERO-Long 98.5）确实受益。2.0的"共享latent空间+latent action"与 Motus 的光流latent action殊途同归——让视频数据携带动作监督，是WAM数据飞轮的核心。RoboDojo 上 LingBot-VLA 得分5.5（#15）。
###4.10 OpenWAM 与 OpenWAM-α（NUS/清华/北大/港大/浙大/港中文/上交，2026年9月）——WAM的"检测器"与开源基建
- 出处：arXiv 2609.07398；项目 openwam-official.github.io；Lin Shao（NUS）与 Hang Zhao（清华）共同指导；46个检查点在 HF 的 OpenWAM org 开源。
- 架构：两件套。OpenWAM-Infra：把WAM设计空间拆成可组合模块——6种架构变体、5种视频骨干、4种视觉编码器、4种注意力mask，统一训练/推理/部署/评测接口。OpenWAM-α：用受控实验蒸馏出的三原则（①上游知识要经由足够强的生成骨干与紧凑latent空间迁移；②世界-动作协同需要专门的动作容量+显式世界→动作信息流+同步联合去噪；③具身预训练主要改善分布外泛化）拼装出来的双系统模型：世界与动作互相可见、单阶段共训、80维统一动作空间。
- 数据：约6400小时（518.5M帧）第一人称人类+机器人数据，70%机器人/30%人类。
- 成绩：LIBERO 99.3（超过 Fast-WAM 97.6、LingBot-VA 98.5、π0.5 96.9）；RoboTwin 2.0-Full 93.85；RoboDojo 仿真榜17.18分/11.92% SR；RoboDojo 真机榜37.6分/24.4% SR——直接把 π0.5 保持的22.9/12.8%纪录翻了近一倍。
- 点评：这个领域最缺的不是又一个SOTA，而是"到底什么有效"的受控答案——OpenWAM 补的就是这个空。它的受控消融给第六节"训练配方共性"提供了最硬的证据；真机榜的断层领先则说明双系统+共训的上限远未到头。想自己复现/魔改WAM的团队，从它的46个检查点入手是当前性价比最高的路径。
###4.11 PatchWAM（2026年9月）——“动作即视觉token"的极简主义
- 出处：arXiv 2609.25961；站在 ImageWAM 肩膀上。
- 架构：Action-as-Patch（流派F）：设计一个固定的动作-视觉latent映射，把每个动作步直接当成视觉latent序列里的一个"patch”，彻底删掉专门的动作DiT——一个视频模型通吃想象与控制。
- 成绩：截至2026年9月15日 RoboDojo 得分29.39（当时全榜最高）；RoboTwin 平均96.12（增广演示口径）；LIBERO-Plus 91.8。论文顺带列了各基准WAM侧SoTA：RoboTwin全量-MotuBrain、RoboTwin C2R-4D-WAM、LIBERO-ABot-M0.5、LIBERO-Plus-ImageWAM、RoboDojo-OpenWAM-α（本文写作时已被PatchWAM自身超越）。
- 点评：“世界与动作还需要两套专家吗"的终极一问。删掉动作DiT之后速度与简洁性双赢，但动作的控制精度是否会退化成"像素级近似"仍待真机检验。9月15日之后榜单又添了数轮更新，29.39的王座未必坐得久——盯榜时要带时间戳思维。
###4.12 FLUX 3 Action（Black Forest Labs，2026年9月）——RoboLab-120的新王
- 出处：官方技术报告（bfl.ai，无arXiv编号）；本地有《FLUX 3 Action 世界行动模型精读》，20张图逐图拆解。
- 架构：7B WAM，由图像生成模型 FLUX 3 骨干改造；Guided Distillation 与 Logit Distillation 双管齐下把教师多步去噪压成单步策略（控制循环图见精读）；另有与 Astra VLA 组成的混合策略（WAM管高风险决策、VLA管高频控制），整机成本低至8.77美元/月。
- 成绩：RoboLab-120（F3A口径）42.92总分登顶——高于 OASIS 39.0、Cosmos-3-Nano-Policy 36.8、π0.5 28.0、DreamZero 25.7；蒸馏后引导式42.2、单步38.3仍保持第一；推理加速1.34
2.28倍于 π0.5、1.523.95倍于 Cosmos FP8。 - 点评：把FLUX图像生成栈的蒸馏手艺平移到具身的胜利，也是"7B打赢16B和14B"的效率样本。它与 π0.5 的混合策略说明：厂商最终交付的不会是单一范式，而是WAM+VLA的组合产品——这可能是本赛道的终局形态之一。
###4.13 其他值得知道的名字
- ABot-M0 / M0.5（2026年7月，arXiv 2607.00678）：移动操作方向的统一WAM（本地有逐图精读）；在 LIBERO 上被 PatchWAM 引为 WAM 侧SoTA；RoboDojo 得分3.7（#18）。WAM 从桌面双臂走向"腿+臂+导航"是2026年中的重要扩散。
- LingBot-VA 2.0 / RIFT / 4D-WAM / MotuBrain / ImageWAM：分别代表原生预训练、免rollout未来缓存、4D几何、RoboTwin全量冠军、LIBERO-Plus冠军等细分旗号，名字会反复出现在各论文的SoTA引用里，读榜时认得出即可。
- 国内高校的"世界模型+“分支：BrainWAM（语义/预测双通路，本地精读）、Percept-WAM（世界token直接进VLM感知，本地精读）走的是"WAM反哺VLA"路线；驾驶侧的 SimWAM（世界模型当 Flow-GRPO 训练教师，精读）、ReWorld（驾驶WAM表征学习，精读）则证明同一范式在自动驾驶上同样成立——“世界+动作"的耦合是跨域的，方法论可以直接互相搬运。
- VLA 阵营的对照组：π0.5、X-VLA、InternVLA-A1.5、GalaxeaVLA、Xiaomi-Robotics 等在各榜与 WAM 同场竞技；《前沿VLA模型全景速览》有它们的完整画像。
五、主战场：RoboDojo 榜单逐条分析
###5.1 RoboDojo 是什么
RoboDojo（港大+北大+清华 XPolicyLab，2026年7月发布，MIT协议，ECCV 2026）是目前唯一把仿真和真机统一在一个框架下的WAM友好基准：
- 规模：42个仿真任务 + 18个真机任务，覆盖3种本体（双臂、单臂、移动操作）；
- 五维评分：Generalization（泛化）、Memory（记忆）、Precision（精度）、Long-Horizon（长程）、Open（开放性）——每维再分 clean / random 两档；
- 综合分：五维加权得到官方 Score，同时公布 SR%（成功率）；
- 反作弊设计：隐藏布局与干扰物，杜绝"背题”；
- 官方赛会：ECCV 2026 挑战赛主题即 “Safe World Models for Trustworthy Embodied AI”，提交WAM类方法可获1.2倍评分乘数——赛道地位由赛会制度直接背书。
###5.2 仿真榜（官方 2026-08-26 版 Top 15）
RoboDojo官方仿真榜（2026-08-26）Top 15。绿色为WAM、蓝色为VLA、灰色为未标注类型。WAM占据中游（X-WAM #10、GigaWorld-Policy-0 #13、LingBot-VLA #15），榜首仍由DM0.5、GalaxeaVLA、Xiaomi-Robotics-1等VLA把持。
| 排名 | 模型 | 团队/厂商 | Score | 类型 |
|---|---|---|---|---|
| 1 | DM0.5 | Dexmal | 24.9 | 未标注 |
| 2 | GalaxeaVLA G0.5 | Galaxea AI | 20.2 | VLA |
| 3 | Xiaomi-Robotics-1 | 小米 | 20.1 | VLA |
| 4 | Hy-Embodied-0.5-VLA | 腾讯Robotics X | 13.1 | VLA |
| 5 | Spatial Forcing | OpenHelix | 12.4 | 未标注 |
| 6 | Pi-0.5 | Physical Intelligence | 11.4 | VLA |
| 7 | InternVLA-A1.5 | InternVLA | 11.2 | VLA |
| 8 | VLAct | — | 10.7 | VLA |
| 9 | X-VLA | — | 10.1 | VLA |
| 10 | X-WAM | — | 7.7 | WAM |
| 11 | Xiaomi-Robotics-0 | 小米 | 6.9 | VLA |
| 12 | StarVLA | — | 6.4 | VLA |
| 13 | GigaWorld-Policy-0 | GigaAI | 6.2 | WAM |
| 14 | GalaxeaVLA G0 | Galaxea AI | 5.8 | VLA |
| 15 | LingBot-VLA | 蚂蚁Robbyant | 5.5 | WAM |
（其后还有 AHA-WAM 4.8 #17、ABot-M0 3.7 #18、Fast-WAM 3.5 #19、π0 3.5、GROOT-N1.7 2.9、InternVLA-A1 2.5、SmolVLA 1.8、LDA-1B 1.6、MolmoAct2 1.0。完整维度分解见官方镜像榜。）
###5.3 快照之后的新王：别用旧快照做判断
官方镜像是8月26日的快照，而9月以来榜单已经变天（依据官方首页/论文自报，取最高分排序）：
| 模型 | Score / SR | 备注 |
|---|---|---|
| PhysicalRSI | 36.27 / 31.38% | 榜首新势力（机构未标注；命名疑似与递归自我改进路线相关，未证实） |
| Simate-beta | 33.95 / 27.96% | — |
| VPP2-Preview | 31.40 / 25.62% | — |
| PatchWAM | 29.39 | 论文自报（9月15日口径，当时最高） |
| OpenWAM-α | 17.18 / 11.92% | 团队提交 |
| Meituan-Robotics-0 | 14.95 / 10.14% | 美团 |
读榜方法论：RoboDojo 的分数必须带时间戳引用；“当时最高"这类表述在9月的榜单上平均寿命不到一周；且机构标注不全，跨来源拼表要谨慎。
###5.4 真机榜：OpenWAM-α 的断层领先
真机榜（18任务）上，π0.5 以22.9分/12.8% SR 长期领跑，直到 OpenWAM-α 以37.6分/24.4% SR 接近翻倍的纪录登顶（9月新增条目）。真机榜条目稀少（官方口径约10个）反而凸显一件事：仿真刷分容易，真机难于上青天——五维评分下大多数模型的真机SR仍在个位数到十几之间。
###5.5 榜单观察：WAM 在 RoboDojo 上为什么"打得不好”
- 开放性与记忆是全场死亡谷：五维中的 Open 与 Memory 几乎所有参赛者都是个位数——这正是 WAM 理论上应该赢的地方（滚动记忆、世界预演），但目前的 WAM 记忆窗口和规划深度还撑不起开放指令任务。
- 同一个模型，不同基准天差地别：Fast-WAM 在 LIBERO ~97、RoboTwin 强势，RoboDojo 只有3.5；AHA-WAM 在 RoboTwin 92.8、RoboTwin真机78.3，RoboDojo 4.8。“SOTA"这个词在不指明基准时没有意义。
- VLA 仍握着精度与工程成熟度：Precision 维度上 VLA 阵营（尤其 π0.5 系）保持优势；WAM 的视频噪声天然不利于毫米级接触任务。
- 新一波 WAM 正在改写：PatchWAM 29.39、OpenWAM-α 17.18 已进入第一集团——8月快照里"WAM都在中游"的结论正在过期。
六、另一个主战场：RoboLab-120 与基准全景
###6.1 RoboLab-120：FLUX 3 Action 报告采用的口径
F3A 官方报告中的 RoboLab-120 对照表（F3A = FLUX 3 Action 口径）：
| 模型 | 类型/规模 | RoboLab-120 |
|---|---|---|
| F3A（FLUX 3 Action） | WAM，7B | 42.92（蒸馏引导式42.2、单步38.3） |
| OASIS | — | 39.0 |
| Cosmos-3-Nano-Policy | WAM，16B | 36.8 |
| Phoenix | — | 34.4 |
| BiMind | — | 33.3 |
| π0.5 | VLA，3.3B | 28.0 |
| DreamZero | WAM，14B | 25.7 |
| Cosmos-3-Edge-Policy | WAM | 22.9 |
| π0-FAST | VLA | 15.5 |
| GR00T N1.6 | VLA | 7.2 |
| π0 | VLA | 5.0 |
三个信号：①WAM在该基准全线上位（前三里两个WAM）；②参数量与分数脱钩（7B>16B>14B>3.3B）；③蒸馏不伤分（F3A单步38.3仍高于Nano-Policy 16B）。
###6.2 基准地图与指标口径
| 基准 | 领域 | 规模 | 主指标 | 备注 |
|---|---|---|---|---|
| RoboDojo | 操作 | 42仿真+18真机 | 五维综合Score+SR | 唯一仿真真机统一；ECCV26挑战；WAM乘数1.2× |
| RoboLab-120 | 操作 | 120任务集 | F3A口径总分 | FLUX 3 Action等采用 |
| LIBERO / LIBERO-Plus | 操作 | 4套/40任务/Plus增强 | 平均SR% | 最老牌；已近饱和（97-99），Plus重新拉开差距 |
| RoboTwin 2.0 / -Plus | 操作（双臂仿真） | 50任务 | easy/hard SR | Motus/LingBot/AHA主战场；Plus加鲁棒性 |
| RoboCasa / RoboCasa365 | 厨房操作 | 365任务集 | SR% | X-WAM、Cosmos Policy对比地 |
| NAVSIM | 驾驶 | — | PDMS | SimWAM等驾驶WAM采用（91.5 PDMS） |
七、跨基准成绩对照表（谨慎阅读）
下表汇总各模型自报或官方榜的代表成绩。不同基准、不同演示数据量、不同评测协议之间严禁直接比较——这张表的价值是"每个模型在自己的主场打成什么样”：
| 模型 | RoboDojo(sim) | RoboLab-120 | LIBERO | RoboTwin 2.0 | 真机代表作 | 速度 |
|---|---|---|---|---|---|---|
| FLUX 3 Action | — | 42.92 | — | — | 混合策略真机验证 | 1.34~2.28× π0.5 |
| DreamZero | — | 25.7 | — | — | 7Hz闭环，泛化2× | 7Hz |
| Motus | — | — | — | 88.7(e)/87.0(h) | 相对+11~48% | ~3231ms/块 |
| GigaWorld-Policy-0 | 6.2 | — | — | 相对π0.5 +95% | 四任务均0.68~0.76 | ~225ms |
| Fast-WAM | 3.5 | — | ~96.8 | 强 | 竞争力持平 | 190ms |
| AHA-WAM | 4.8 | — | — | 92.80 | 78.3%（4任务） | 24.17Hz |
| X-WAM | 7.7 | — | — | 90.7 | — | 异步去噪 |
| LingBot-VA | 5.5 | — | 98.5 | 92.9(e)/91.6(h) | 少样本泛化 | ~2270ms/块 |
| OpenWAM-α | 17.18 | — | 99.3 | 93.85(Full) | RoboDojo真机37.6 | — |
| PatchWAM | 29.39 | — | 91.8(Plus) | 96.12 | — | 无动作DiT |
| Cosmos-3-Nano | — | 36.8 | — | — | — | — |
| π0.5（VLA对照） | 11.4 | 28.0 | 96.9 | 82.7(e)/76.8(h) | RoboDojo真机22.9 | ~225ms |
另一个值得关注的第三方视角：鲁棒性专项研究 arXiv 2603.22078（Do World Action Models Generalize Better than VLAs?）在 RoboTwin 2.0-Plus 上同场评测 X-VLA、Motus、LingBot-VA，专门考察初始状态扰动下的表现——WAM的泛化优势需要在扰动协议下才显形，干净评测里很多差距会被抹平。
八、训练配方的共性：2026年的WAM标准件
把第四节12个工作拆开看，训练配方高度收敛，基本可以写成一条"标准流水线”：
① 骨干继承 视频侧：Wan2.2-5B为事实标准（Fast-WAM/AHA/LingBot/GigaWorld）
图像侧：FLUX系（FLUX 3 Action）
语义侧：VLM（Qwen/PaliGemma系）做理解塔
② 共训阶段 视频-动作联合去噪/联合流匹配；注意两件事：
a) 因果mask或先动作后视频，防"未来污染动作"（GigaWorld/ABot）
b) 动作专家要有专门容量与显式信息流（OpenWAM消融结论）
③ 潜在动作 latent action从无标注视频里榨动作监督：
光流delta（Motus）、共享语义空间（LingBot-VA 2.0）、
80维统一动作空间（OpenWAM）
④ 数据金字塔 网络视频 → 合成数据（GigaWorld-0/GR00T Dreams路线）→
多机器人遥操作 → 目标机器人演示，逐层收窄
⑤ 蒸馏部署 多步→少步→单步蒸馏（F3A guided/logit distillation）；
ODE蒸馏（AHA-WAM-Flash）；EMA + CFG 仍是标配
⑥ 混合系统 WAM与VLA组合交付：F3A+Astra、Reasoner/Generator双塔（Cosmos 3）、
双系统互见（OpenWAM-α）
其中②③是 WAM 区别于普通视频微调的两条护城河：信息流方向决定动作会不会被视频噪声带偏，latent action 决定动作预训练能否吃到视频规模的数据红利。对做 Flow-GRPO/MOT 的读者，⑤是最直接可复用的工程环节——动作专家的少步蒸馏与世界模型教师的接口设计，和 Flow Matching 策略蒸馏是同构问题。
九、厂商与高校地图：谁在牌桌上
| 阵营 | 选手 | 代表作 | 定位 |
|---|---|---|---|
| 国际巨头 | NVIDIA | DreamZero、Cosmos 3、Cosmos Policy | 基座工业化：视频基座通吃世界模型/合成数据/策略 |
| 图像生成厂商 | Black Forest Labs | FLUX 3 Action | 把图像生成栈的蒸馏手艺平移到具身 |
| 具身创业 | GigaAI | GigaWorld-Policy、GigaWorld-0 | 动作为中心的因果WAM + 合成数据引擎 |
| 具身创业 | Robbyant（蚂蚁） | LingBot-VA / 2.0 | 自回归因果世界模型，长程记忆 |
| VLA头部 | Physical Intelligence | π0 / π0.5 | WAM时代的最强对照组与"被超越对象” |
| 高校（新） | 清华+生数+北大+地平线 | Motus | 统一五模式开山之作，latent action |
| 高校（新） | 清华（朱军/赵航） | Fast-WAM | 测试时想象可弃 |
| 高校（新） | 上交（姚望/穆瑶） | AHA-WAM | 异步双频24Hz |
| 高校（新） | NUS/清华/北大/港大/浙大/港中文/上交 | OpenWAM | 受控消融+46检查点开源基建 |
| 高校（新） | 港大+北大+清华（XPolicyLab） | RoboDojo | 仿真+真机统一基准，ECCV26挑战 |
| 中国大厂 | 腾讯Robotics X、小米、美团 | Hy-Embodied、Xiaomi-Robotics、Meituan-Robotics | 榜单第一集团（多为VLA口径） |
| 移动操作 | ABot团队 | ABot-M0/M0.5 | WAM从桌面走向移动本体 |
| 驾驶分支 | SimWAM/ReWorld/DriveFuture等 | 世界模型当教师/表征 | 方法论跨域搬运（本地有系列精读） |
一个结构性观察：这份名单里中国团队占比超过一半，且在"基准与基建”（RoboDojo、OpenWAM、生数、GigaAI）这一层的布局密度高于"单点模型"层——这与VLA时代以美欧创业公司为主导的格局明显不同。
十、趋势与判断
- 训练时建模全面取代测试时想象。Fast-WAM、GigaWorld-Policy、ABot-M0 一代已把"推理时跑视频扩散"扫进了历史；Rift 证明连"显式rollout未来缓存"都可以用学习式token替代。视频监督的价值留在梯度里，不留在推理图里。
- 速度军备竞赛进入"对齐π0.5"阶段。190ms（Fast-WAM）、225ms（GigaWorld）、单步蒸馏38.3（F3A）、24Hz（AHA-WAM）——“和最强VLA同速"成为WAM发布的基本门槛，慢4倍的方案（自回归全量视频）正在退守长程任务细分市场。
- 开源基建成为胜负手。OpenWAM一次放出46个检查点、RoboDojo提供统一评测协议、LingBot接入LeRobot——可复现性正在从论文附件变成赛道基础设施。闭源报告（F3A、DreamZero）与开源阵营的拉锯会长期存在。
- 基准正在变难，且"跨基准不可比"是常态。LIBERO逼近饱和（97-99）后被 Plus 与 RoboDojo 接棒；RoboDojo 的 Open/Memory 维度全场个位数，是下一个值得投入的攻坚方向。引用任何"XX提升Y%“都必须同时引用基准与协议。
- 统一性与专用性的钟摆。Motus/LingBot/OpenWAM-α赌"一个模型多种模式”，GigaWorld-Policy/FLUX 3 Action赌"动作为中心的专用设计”——两派在各自主场都赢了，说明统一性红利在分布外，专用性红利在分布内。
- latent action 是数据飞轮的轴心。光流delta（Motus）、共享语义空间（LingBot-VA 2.0）、统一动作空间（OpenWAM）三条路线殊途同归：让万亿级无标注视频为动作监督供血。这条线的上限可能比架构创新更高。
- 赛道从操作外溢到全本体。移动操作（ABot）、驾驶（SimWAM/ReWorld）、全模态基座（Cosmos 3 五模态）、甚至递归自我改进（PhysicalRSI 命名疑似相关）——“世界+动作"的耦合是跨域通用的，操作只是第一个打穿的战场。
十一、自测5问
- WAM一定比VLA强吗？——不一定。RoboDojo 8月快照前15里VLA占11席；WAM的优势（泛化、记忆、数据复用）要在一个扰动+长程+开放的协议下才显形，且要支付延迟税。
- 为什么各家自报的数字不能横比？——基准（LIBERO vs RoboTwin vs RoboDojo）、演示数据量、蒸馏与否、评测协议（clean/randomized/easy/hard）四个维度都可能不同；跨表比较前先对齐口径。
- WAM推理时必须生成视频吗？——2026年下半年的答案是"不必须”：训练时共训+因果mask（GigaWorld）、训练用推理弃（Fast-WAM）、anticipation token（Rift）三条路都成立；视频生成降级为训练监督或可选调试功能。
- 我做 Flow-GRPO/MOT 动作专家，怎么切入WAM？——三个切入点：①世界模型当教师的稠密监督（驾驶侧SimWAM路线，与Flow-GRPO天然兼容）；②动作专家的少步蒸馏与日志蒸馏（F3A配方）；③MoT双专家的信息流设计（OpenWAM消融结论：显式世界→动作流+联合去噪）。
- 怎么跟住这个领域？——盯三个信源：RoboDojo官方榜（带时间戳）、arXiv cs.RO 的 WAM 关键词（2609.16074综述做地图）、OpenWAM与LingBot的开源仓库（可跑的真相）。
十二、参考与延伸阅读
一手论文与报告（按引用顺序）：
- 综述：World-Action Models for Robot Learning and Control: A Survey（2609.16074）；WAM短教程（2607.00836）
- Cosmos Policy：2601.16163（ICLR 2026）｜代码 NVlabs/cosmos-policy｜Cookbook 配方
- DreamDojo：2602.06949（ICML 2026）｜项目页 dreamdojo-world.github.io
- DreamZero：2602.15922｜Motus：2512.13030（CVPR 2026）｜Cosmos 3：2606.02800
- GigaWorld-Policy：2603.17240｜Fast-WAM：2603.16666｜Rift：2608.11521
- AHA-WAM：2606.09811｜X-WAM：2604.26694
- LingBot-VA：2601.21998（RSS 2026）｜LingBot-VA 2.0：2607.08639
- OpenWAM：2609.07398｜PatchWAM：2609.25961｜ABot-M0.5：2607.00678
- 鲁棒性研究：2603.22078
- RoboDojo：官方仓库（ECCV 2026挑战：Safe World Models for Trustworthy Embodied AI）
- FLUX 3 Action：BFL官方报告（无arXiv编号）
站内延伸（全部有逐图精读）：
- VLA全景：前沿VLA模型全景速览｜世界模型底座：什么是世界模型｜驾驶世界模型：驾驶世界模型全景详解
- 本文主角的深挖：FLUX 3 Action精读、Cosmos 3精读、GigaWorld-0数据引擎精读、ABot-M0.5精读
- 高校WAM分支：BrainWAM精读、Percept-WAM精读、SimWAM精读、ReWorld精读
- 入门与背景：具身智能入门指南
信息来源说明：本文调研以 arXiv 原文、官方技术报告、官方排行榜为一手来源；微信公众号等二手转述未直接采信（写作环境无法访问微信文章正文）。榜单数据均标注了快照时间；如需引用某个具体分数，请回查对应官方页面的时间戳。