配图说明：本文收录 14 张插图：官网原图 2 张（/figs/overview.png、/figs/architecture.png，即论文 Figure 1 与 Figure 12 的高分辨率版）+ 论文 PDF 裁剪 12 张，均在站内 /images/openwam-alpha/，逐张讲解，文末附图表总索引。论文 OpenWAM: An Open, Modular Exploration Towards Systematic World-Action Model Pretraining（arXiv 2609.07398），官网 openwam-official.github.io（含完整成绩页）、代码 github.com/OpenWAM-Official/OpenWAM、模型与数据 huggingface.co/OpenWAM（46 个开放 checkpoint）、已接入 XPolicyLab。
⚠️ 先分清两篇 OpenWAM：站内已有 OPENWAM 精读 是斯坦福的 An Open Framework for Composable World-Action Models（arXiv 2610.07922，Li Fei-Fei 组），主题是「生成顺序与跨模态可见性的受控比较」；本篇是南大/清华/北大等的 An Open, Modular Exploration Towards Systematic World-Action Model Pretraining（2609.07398），主题是整条预训练流水线的模块化与六问受控实验。名字撞车，团队与论文均不同。
📄 论文信息
- 标题：OpenWAM: An Open, Modular Exploration Towards Systematic World-Action Model Pretraining
- 机构：新加坡国立大学（NUS）、清华大学、北京大学、香港大学、浙江大学、港中深、上交
- 作者：Yuran Wang、Siqiao Huang（共同一作/项目负责人）等；通讯 Lin Shao（NUS）、Hang Zhao（清华）；Shanghang Zhang、Hao Dong（北大）等
- 时间：arXiv 2609.07398（2026-09）；官网/代码/模型全开
- 关键词：WAM、受控实验（controlled study）、模块化 Infra、注意力掩码、联合去噪、统一动作空间、人本+机器人共训、OpenWAM-α
- 一句话总结：别人交一个模型，它交一套「实验程序」——把 WAM 拆成可换零件（Infra），用六个受控问题筛出设计原则（Study），再把原则拼成开放模型 OpenWAM-α 在八基准九榜+三类真机上验收。
🎯 一句话版本：核心数字
| 指标 | 数值 | 说明 |
|---|---|---|
| 可组合模块 | 4 视觉编码器 × 5 视频骨干 × 6 架构 × 4 掩码 | 单一训练器/策略服务器/评测协议 |
| 受控问题 | 六问（Q1–Q6）→ 三条结论 | 前一问的答案锁定后一问的条件 |
| 预训练数据 | 518.5M 帧 ≈ 6,369h（约 6,400h） | 70% 机器人 / 30% 人本第一视角，单阶段共训 |
| 统一动作空间 | 80 维：2×34 臂块（EE 位姿3+6D 旋转6+夹爪1+灵巧手24）+12 预留（移动底盘等） | 索引表 Scatter/Gather，未映射槽位零梯度 |
| 八基准九榜（OpenWAM-α） | LIBERO 99.3 · RT2.0-Full 93.60 · RT2.0-C2R 69.0 · LIBERO-Plus 69.2 · EBench 49.4 · RoboCasa-GR1 60.5 · VLABench 58.9 · RoboCasa365 38.2 · RoboDojo 11.92 | 成绩页与论文 Figure 11 对齐 |
| 真机 | 单臂 82.5% · 双臂（RoboDojo 18 任务）37.6 分/24.4% · 灵巧手 90.0% | 双臂对照 π0.5 的 22.9/12.8 |
| 开放程度 | 46 个 checkpoint + 评测协议 + 数据配方 | 全栈开源 |
🗺️ 仿真 vs 真机：一眼分清
| 场景 | 类型 | 说明 |
|---|---|---|
| 八基准九榜（LIBERO/LIBERO-Plus/VLABench/RoboTwin2.0 双轨/RoboDojo/RoboCasa365/EBench/RoboCasa-GR1） | 仿真 | 主结果；每基准经策略服务器适配器接入 |
| 六问受控实验 | 仿真（RoboTwin2.0） | Study 阶段统一用 RoboTwin2.0-Full 与 Clean2Random 两协议 |
| 单臂 Franka Research 3 六任务 | 真机 | 挂杯、抽屉、层层积木等（Fig. 12/13） |
| 双臂 RoboDojo 三平台 18 任务 | 真机 | ARX X5 / Piper / Piper X 各 4 任务展示，37.6/24.4 |
| 灵巧手（Wuji/Tianji 双臂+灵巧手） | 真机 | 收羽毛球、拧瓶盖、收衣服、叠塔 + 布局/背景/物体/光照 OOD（Fig. 14） |
🧭 范式详解：OpenWAM 到底在「范」什么？
用户最关心的部分——OpenWAM 的范式 = 「受控实验程序」四个字，拆成三层就能看懂：
第 0 层问题：现有 WAM 是「单体（monolithic）」的——视频底座、视觉表示、架构、信息流、推理流程、训练数据耦死在一起，论文作者们吵「A 设计还是 B 设计好」根本吵不出结果，因为变量不唯一。
第 1 层 OpenWAM-Infra（实验台）：把设计空间切成可独立替换的零件并统一接口——
- 模型侧可换：视觉编码器 4 种（像素重建系 Wan2.2-VAE/FLUX.2-VAE + 语义表示系 DINOv3/V-JEPA2.1）、视频骨干 5 种（Wan2.1-VACE-1.3B → Cosmos-Predict2.5-2B → Cosmos3-Edge-4B → Wan2.2-TI2V-5B → Wan2.1-I2V-14B）、架构 6 变体（单系统 vanilla/MoE、双系统 IDM/联合自注意力/联合交叉注意力、三系统）、注意力掩码 4 种（Isolated / Video 感知 Action / Action 感知 Video / Mutual 互见）；
- 运行侧统一：一个训练器（DeepSpeed/ZeRO、梯度检查点、CPU offload、预训练/微调/续训工作流）+ 一个 WebSocket 策略服务器（观测进、动作出，归一化全在服务端）+ 一套仿真与真机共用的评测协议（适配器复刻各基准训练读者的预处理）；
- 动作侧统一：默认各基准原生动作空间直通；跨本体单模型训练则用 80 维统一动作空间（固定槽位语义，未映射槽位不收梯度）。
第 2 层 OpenWAM-Study（六问三结论）：在实验台上按顺序问六个问题，上一问的答案成为下一问的默认配置：
- Q1 架构（单系统/双系统/三系统怎么分？）→ Q2 骨干（多大视频模型才够本？）→ Q3 视觉表示（重建编码器还是语义编码器？）→ Q4 视频↔动作交互（谁可见谁？四种掩码）→ Q5 预训练与数据配方（从零 vs 预训练、人本 vs 机器人）→ Q6 去噪策略（谁先谁后、同步还是偏移）。
- 收敛出三条结论（Finding1–3）：①继承——足够强的生成骨干 + 紧凑信息密的潜空间最能继承上游世界知识（表示型编码器不必弱于重建型）；②协同——世界-动作协同需要专用动作容量 + 显式世界→动作信息流 + 推理期同步联合去噪；③扩展——具身预训练主要涨 OOD 泛化，机器人轨迹保动作接地、人本视频拓迁移面，单阶段共训两者兼得，规模化后互见掩码持续占优。
第 3 层 OpenWAM-α（配方落地）：把三条结论拼成具体模型——双系统（视频 DiT + 专用 ActionDiT）互见联合自注意力，518.5M 帧单阶段共训，然后在八基准九榜 + 三类真机上验收，并把 Infra、协议、权重、数据配方全部放出——别人可以在同一实验台上问第七个问题。
一句话记忆：Infra 是实验台，Study 是实验记录，α 是实验产出的旗舰机。
🛠️ 方法分层细讲
3.1 OpenWAM-Infra：实验台（Fig. 2/3/4）
- 模型三类模块（Fig. 2）：视觉编码器（像素系压缩到 S-VAE 潜空间 / 语义系低维紧凑潜变量）、骨干（VLM 骨干 / 可扩展骨干 / 动作骨干 + 5 种视频骨干可选）、可见性注意力掩码（四格：互见、动作看视频、视频看动作、隔离）；底部列出 6 种架构变体（单系统 vanilla、单系统 MoE、双系统 IDM、双系统联合自注意力、双系统联合交叉注意力、三系统联合自注意力），训练工具（DeepSpeed/ZeRO-1/2、梯度检查点、CPU offload、预训练/微调/续训工作流）内嵌中央面板。
- 推理与去噪（Fig. 3）：(a) 同步 vs 异步推理模式；(b) 去噪时刻表三族——同步（Sync）、视频先行（Video-Leading）、动作先行（Action-Leading）（另有方差偏移/线性偏移变体），部署还有 DiT cache + torch.compile 加速。
- 评测协议（Fig. 4）：benchmark 作为瘦客户端经 WebSocket 连策略服务器——视角裁剪/缩放/合成按 checkpoint 的标准布局、缺相机补黑帧、本体感觉归一化进模型动作表示，输出动作块再反归一化回真实物理单位（归一化值永不上机器人）；episode 间一次 reset 清空执行器状态。真机与仿真走完全同一接口——新增一个基准=写一个适配器，模型与双运行时不动。
3.2 OpenWAM-Study：六问与三条结论（Fig. 5–9）
- Q2 骨干（Fig. 5）：Wan2.1-VACE-1.3B 90.14 → Cosmos-Predict2.5-2B 91.64 → Wan2.2-TI2V-5B 92.39 → Wan2.1-I2V-14B 93.79——参数越大平均成功率越高（气泡图三轴之一）；α 默认取 5B 档（能力/成本折中）。
- Q3 表示（Fig. 6）：重建型（VAE 系）vs 表示型（DINOv3/V-JEPA 系）先验对比——表示型带维度压缩也能打平甚至更好，推翻「必须重建」的默认假设。
- Q4 交互（Fig. 7）：四掩码矩阵一目了然——互见（Mutual）：动作行可看视频、视频行可看动作，只屏蔽「被噪化的未来帧行互看」；消融显示动作能否访问世界特征是成败分水岭（Isolated 最差）。
- Q5 数据/OOD（Fig. 8）：具身预训练主要提升分布外（OOD）成功率——ID 内涨幅有限、OOD 涨幅显著；机器人数据保动作接地，人本视频拓迁移。
- Q5 信息流反转（Fig. 9）：预训练改变最优信息流方向的中心标记图——预训练前后的偏好翻转，说明「该不该互见」不是先验而是随规模/数据状态变的。
- Q6 去噪策略（正文，图外）：同步联合去噪在多数配置下最优——对应结论②。
3.3 OpenWAM-α：配方旗舰（Fig. 10）
- 双系统：视频流 Wan2.2-TI2V-5B（宽 3072，帧/高/宽 3D RoPE）负责在未来视频窗内去噪；动作流 ActionDiT（宽 1024，1D RoPE，每动作步一 token）；
- 耦合：30 个成对层全部作桥层，双方残差投影进共享 24 头 × 128 维注意力空间，互见掩码（干净首帧行既不看被噪未来帧也不看动作）；
- 冻结件：Wan2.2-VAE（因果编码：首帧独立 + 每 4 帧一组，首潜帧是干净「现在」锚点）、umT5 文本编码器（4096 维上下文，双流各自交叉注意）；
- 数据与动作：518.5M 帧（6,369h，70% 机器人 [真机40%/仿真30%] + 30% 人本第一视角），80 维统一动作空间（两块镜像 34 维臂块 + 24 维灵巧手 + 12 预留槽）；
- 三阶段结论落地表（官网「accumulated recipe」）：Inherit → Wan2.2-TI2V-5B + compact latent；Interact → 双系统联合自注意力 + 同步去噪；Consolidate → 单阶段人本+机器人共训 + 互见掩码。
📸 逐图讲解（14 张：官网 2 + 论文 12）
Figure 1：三层栈总览（官网原图，头图）
（即文首头图。）左 OpenWAM-Infra：可扩展组件区列出 6 架构 / 5 骨干 / 4 编码器 / 4 掩码，向下贯通部署件（DiT cache + torch.compile、同步/异步推理、视频先行/动作先行/同步等去噪时刻表、灵活数据字典与统一动作空间）；中 OpenWAM-Study：六问（Q1 Architecture → Q6 Denoising）按序排布；右 OpenWAM-α：多源数据（机器人 70% / 人本 30%）→ 双系统模型 → 仿真+真机评测。读图顺序即范式顺序：先搭台，再实验，后出货。
Figure 2：OpenWAM-Infra 模型模块图（论文 Fig. 2）
上方三块：视觉编码器（Pixel 框：Wan2.2-VAE、FLUX.2-VAE——压缩到 S-VAE 潜空间；Semantics 框：DINOv3、V-JEPA2.1——低维压缩表示）；视频骨干（Wan2.1-VACE-1.3B、Cosmos-Predict2.5-2B、Cosmos3-Edge-4B、Wan2.2-TI2V-5B、Wan2.1-I2V-14B 一排）与内嵌训练工具（Framework: DeepSpeed/ZeRO-1/2；Training Optimization: 梯度检查点、CPU offload；Workflows: 预训练/微调/续训）；可见性注意力掩码四格（Mutual / Action Sees Video / Video Sees Action / Isolated）。下方 6 个架构变体框（单系统 vanilla/MoE → 双系统 IDM/联合自注意力/联合交叉注意力 → 三系统联合自注意力）用粉/黄/灰 token 条示意各流组成。这张图就是「实验台」的零件清单。
Figure 3：推理模式与去噪时刻表（论文 Fig. 3）
(a) 同步 vs 异步推理模式示意；(b) 三条去噪曲线——同步（两流同速）、视频先行（视频先干净）、动作先行（动作先干净）。工程含义：时刻表决定「动作什么时候可信」——异步部署时动作先行能更早吐可用动作块；正文消融再给出与信息流的相互作用（Q6）。
Figure 4：评测协议——瘦客户端 + 策略服务器（论文 Fig. 5）
左侧各 benchmark 适配器作为瘦客户端，经 WebSocket 连中央策略服务器；服务器内完成观测合成（多视角按 checkpoint 布局裁剪缩放、缺相机补黑帧）、本体感觉归一化、模型推理、动作块反归一化回物理单位再回传。右侧分支给出两种动作表示：各基准原生空间直通（如 RoboTwin 14 维关节/20 维双臂 EE、LIBERO 10 维 EE）或 80 维统一空间。「真机和仿真用同一套接口」的工程底座——也是本文所有榜单可比的前提。
Figure 5：Q2 骨干缩放——越大越强（论文 Fig. 6）
气泡图：横轴参数量、纵轴平均成功率——Wan2.1-VACE-1.3B 90.14 → Cosmos-Predict2.5-2B 91.64 → Wan2.2-TI2V-5B 92.39 → Wan2.1-I2V-14B 93.79。结论直观：视频骨干的能力直接决定继承的上限（Finding 1 的半壁江山）；α 选 5B 是吞吐/效果折中（14B 更好但更贵）。
Figure 6：Q3 视觉表示先验——重建 vs 语义（论文 Fig. 7）
左重建型（像素系：Wan2.2-VAE、FLUX.2-VAE——重建画面）与右表示型（语义系：DINOv3、V-JEPA2.1——压缩语义潜变量）的先验对比示意与成绩对照。关键发现：带维度压缩的表示型编码器不输重建型——「要懂世界不必先会画画」，这对压缩训练成本是大利好（Finding 1 另一半）。
Figure 7：Q4 四种注意力掩码（论文 Fig. 8）
四张 Q×K 矩阵并排：Isolated（视频/动作互不看见）→ Video Sees Action → Action Sees Video → Mutual（互见）。色块：蓝=视频 token、红=动作 token、灰=屏蔽。读图抓手：行 =「谁能看见」——Mutual 只保留必要的屏蔽（被噪未来帧之间、干净首帧行）。消融结论：动作侧能否访问世界特征是性能分水岭；规模化后互见持续最优（Finding 2/3 都指向它）。
Figure 8：Q5 具身预训练主要涨 OOD（论文 Fig. 10）
成功率为指标的分组柱图：预训练前后在 ID（域内）与 OOD（域外） 上的对比——ID 涨幅温和，OOD 涨幅显著（配文点名 RoboTwin2.0-Clean2Random 两个 split 同向复现）。这支撑 Finding 3：具身预训练的红利主要是「出分布还活着」，不是把背过的题再考高几分。
Figure 9：预训练改变最优信息流（论文 Fig. 11）
中心标记给出各信息流方向在预训练前后的绝对成功率——偏好发生反转：预训练前某种方向占优，预训练后（数据与知识状态变了）互见占优。方法论意义很大：「该不该让动作看见视频」不是可以拍脑袋定死的超参，而是随训练状态迁移的决策——受控实验才能抓住这种反转（单体论文里它会被淹没）。
Figure 10：OpenWAM-α 架构总览（官网原图 = 论文 Fig. 12）
四个面板：(a) 视频 DiT 与专用 ActionDiT 在互见掩码下联合去噪未来帧与动作块；(b) 单阶段预训练混合（机器人/人本配比）；(c) 训练覆盖整个联合噪声平面、推理沿同步对角线走；(d) 80 维统一动作空间的固定槽位语义（两镜像臂块 + 灵巧手 + 预留槽，各本体共用坐标）。官网把它当模型页主图——α 的一页说明书。
Figure 11：八基准九榜成绩对比（论文 Fig. 13，九连板）
3×3 连板，每板一个基准、柱顶标真实分数：LIBERO 99.3（对照 π0 94.4 / π0.5 96.9 / Fast-WAM 97.6 / X-VLA 98.1 / Qwen-RM 99.2 / Being-H0.7 99.2……完整分套表见成绩页，LIBERO 上 ABot-M0.5 99.4 为全表最高、α 以 99.3 次之）；RoboTwin2.0-Clean2Random 69.0（Fast-WAM 仅 4.7——OOD 轨道淘汰赛）；RoboCasa365 38.2（π0.5 6.91——移动单臂差距悬殊）；RoboTwin2.0-Full 93.60（Qwen-RM 93.85 略高）；EBench 49.4（Being-H0.7 49.2 紧随）；RoboDojo 11.92（π0.5 6.91 之上的分数制口径，与 RoboDojo 精读的 score/SR 双指标一致）；LIBERO-plus 69.2（Qwen-RobotManip 89.0 更高——鲁棒性榜是 α 的失分点，图如实呈现）；RoboCasa-GR1 60.5；VLABench 58.9。读图纪律：这是论文自报 + 全基线同框的对照图，个别榜并非全场第一，抄数先看柱。
Figure 12：真机单臂实验平台（论文 Fig. 18）
Franka Research 3 实验台实拍：工作台、相机位姿与场景布置。对应真机第一档单臂六任务 82.5%（挂放 M 形件、辣椒入抽屉、挂杯、层层积木、积木入抽屉、叠套圈——见 Fig. 13 时序）。
Figure 13：单臂任务执行时序（论文 Fig. 19）
四个任务的逐帧执行带（时间从左到右），展示同一 α 策略在抓取-移动-入位各阶段的连续动作。评测口径：固定机位相机、逐任务成功判定——开箱策略（SFT 自八基准配方）直接上真机的证据链一环。
Figure 14：灵巧手任务与 OOD 条件（论文 Fig. 21）
左四行时序：Toy Tower（按大小叠塔）、Badminton（羽毛球入筒）、Bottle（拧瓶盖）、Cloth（衣物入篮）——双臂+灵巧手（21 手部自由度 + 6 维末端位姿；该本体从未出现在预训练混合里）；右列四格 OOD 条件：Layout / Background / Object / Light（加上域内对照，共 17 段真机演示）。灵巧手真机总分 90.0——跨本体 OOD 泛化的最硬证据（Finding 3 的真人版）。
🧪 评测协议补充
- 八基准 = 九榜：RoboTwin2.0 拆 Full（clean+randomized 混合训练，测两条件，ID 能力）与 Clean2Random（只训 clean、测两条件，OOD 能力）两条轨道；
- 五本体类别：单臂（LIBERO / LIBERO-Plus / VLABench）、双臂（RoboTwin2.0 / RoboDojo）、移动单臂（RoboCasa365）、移动双臂（EBench）、灵巧手（RoboCasa-GR1）；
- Study 阶段专用协议：六问全部在 RoboTwin2.0 双轨上做（2,500 clean + 25,000 randomized 演示的 Full 集，Bi et al. 2026 配方；C2R 只用 clean，Yuan et al. 2026a 配方），成功率为唯一指标；
- 各基准详细科普（任务是什么、怎么测）见姊妹篇 具身仿真 Benchmark 全精读（已按本文评测栈补入 LIBERO、LIBERO-Plus、EBench、RoboCasa-GR1、RoboDojo 五章与 RoboTwin 双轨注记）。
💡 评析：三个亮点，三条边界
三个亮点
- 把「不可比」变成「可比」：六问在同一实验台、同一协议、逐问锁定条件下进行——结论（互见、同步去噪、单阶段共训）是净效应而不是实现细节的回声；这是对 WAM 社区方法论级别的贡献。
- 开放彻底：46 个 checkpoint + 评测协议 + 数据配方 + 接入 XPolicyLab——「可复现」在 WAM 领域罕见地做到了全套。
- 成绩与失分都公开：LIBERO-Plus 被 Qwen-RobotManip 反超、RT2.0-Full 差 Qwen-RM 0.25——九榜全基线同框（Fig. 11），没有挑软柿子。
三条边界
- α 的涨幅高度依赖配方链：换掉 Wan2.2-TI2V-5B 或丢掉人本 30%，结论是否迁移需要重跑六问——论文给的是「一条最优路径」而非全空间保证。
- 六问实验以 RoboTwin2.0 为场：结论在别的基准上默认继承，跨基准的「信息流翻转」复现实验未做全套。
- 分数口径易混：RoboDojo 是 score 制（11.92 ≠ 成功率），真机 37.6/24.4 又是另一套——对表时必须带指标名。
🗺️ 在「WAM 谱系」里的位置
- 与斯坦福 OPENWAM（2610.07922）：撞名双子——斯坦福篇管「可组合的交互模式」（Joint/VTA/ATV…），本篇管「预训练流水线的模块化与六问」；两篇都主张受控变量，可对照读。
- 与 WAM 全景分析：本文是全景图里「工程基础设施」分支的代表作。
- 与 RoboDojo / Benchmark 全精读：α 的九榜就是在这套考场上验的；RoboDojo 11.92 是分数制。
- 与 π0.7 / GR00T-N1.7 / Flash-WAM：同榜对手；α 的差异点是视频生成底座 + 世界-动作联合去噪 + 人本共训。
- 谱系标签：WAM / 受控实验方法论 / 全栈开源。
📊 图表总索引（14 张）
| 图 | 内容 | 本站文件 |
|---|---|---|
| Figure 1（官网） | 三层栈总览 | 本文插图 |
| Figure 2 | Infra 模型模块（编码器/骨干/掩码/六架构） | 本文插图 |
| Figure 3 | 推理模式与去噪时刻表 | 本文插图 |
| Figure 4 | 评测协议（WebSocket 策略服务器） | 本文插图 |
| Figure 5 | Q2 骨干缩放气泡图 | 本文插图 |
| Figure 6 | Q3 重建 vs 表示先验 | 本文插图 |
| Figure 7 | Q4 四种注意力掩码 | 本文插图 |
| Figure 8 | Q5 OOD 泛化柱图 | 本文插图 |
| Figure 9 | Q5 信息流翻转 | 本文插图 |
| Figure 10（官网） | α 架构四面板 | 本文插图 |
| Figure 11 | 八基准九榜成绩连板 | 本文插图 |
| Figure 12 | 真机单臂实验台 | 本文插图 |
| Figure 13 | 单臂四任务时序 | 本文插图 |
| Figure 14 | 灵巧手四任务 + OOD 四条件 | 本文插图 |
（正文另有4 掩码消融、六问配置表、九榜汇总表、accumulated recipe 表，已以文字表格复现；成绩明细见官网 /results/。）
❓ 自测 Q&A
Q1：OpenWAM 范式一句话？
「受控实验程序」：Infra 固定实验台（换零件不换接口）→ Study 按六问顺序筛原则（上一问锁条件）→ α 把原则拼成模型并在九榜验收，最后全栈开源让别人接着问。
Q2：六问为什么必须按顺序？
因为问题互相耦合——骨干多大（Q2）影响表示选择（Q3）的公平性，交互方式（Q4）又依赖前两者；论文规定上一问的答案成为下一问的默认配置，避免组合爆炸与不公平比较。
Q3：80 维统一动作空间怎么工作？
固定槽位语义（两块镜像 34 维臂：EE 位姿 3 + 6D 旋转 6 + 夹爪 1 + 灵巧手 24，再加 12 预留槽给移动底盘等）；每个数据集声明原生维度→槽位的索引表 π，散射归一化、 gather 反归一化；未映射槽位零梯度——不同本体的公共结构落在同一坐标上。
Q4：为什么互见（Mutual）最后赢了？
Finding 2/3：动作需要显式访问世界特征（Isolated/单向可见都会丢信息），且预训练后这种需求更强（Fig. 9 的偏好翻转）；互见只屏蔽必要的「被噪未来帧互看」，信息保留最完整。
Q5：α 是不是九榜全部第一？
不是——LIBERO-Plus 69.2（Qwen-RobotManip 89.0 更高）、RT2.0-Full 93.60（Qwen-RM 93.85 略高）、LIBERO 99.3 全表次高（ABot-M0.5 99.4）。论文/官网都按全基线同框呈现，引用时务必带榜带指标。
Q6：和站内斯坦福 OPENWAM 怎么选读？
受控变量哲学相同、切面不同：斯坦福篇=「交互模式组合学」（Wan 底座上 Joint/VTA/ATV…），本篇=「预训练流水线模块化 + 六问 + 旗舰 α」。建议先读本篇建立栈级框架，再读斯坦福篇钻单一变量。
📚 资源与延伸
- 论文：arXiv 2609.07398；官网 openwam-official.github.io（含 /results/ 全量成绩）
- 代码/模型：GitHub OpenWAM-Official/OpenWAM · HuggingFace OpenWAM（46 ckpts）· XPolicyLab 接入
- 姊妹篇：具身仿真 Benchmark 全精读（本文九榜逐个科普）· OPENWAM 斯坦福篇精读
- 同榜模型精读：π0.7、GR00T-N1.7、Flash-WAM、RoboDojo
- 知识铺垫：WAM 世界行动模型全景分析、Flow Matching 入门详解