配图说明：本文收录论文全部 11 张插图（Figure 1 ~ Figure 11），放在站内 /images/uniwam/，逐张讲解，文末附图表总索引表。论文来自 HKUST(GZ)、OLA Dimensions、CMU、北大、上交、BAAI，arXiv 2610.02054（v4 2026-10-14），代码/模型/项目页全公开。这是一篇「把两条已有路线焊接」的论文：VLA 路线（π0.5、OpenVLA）赢在语义与推理，WAM 路线（DreamZero、Motus、OpenWAM）赢在物理先验，UniWAM 的主张是一个架构、三个专家、一份互补监督全都要。
📄 论文信息
- 标题：UniWAM: Unified World-Action Model
- 机构：HKUST-GZ、OLA Dimensions、CMU、北京大学、上海交大、BAAI
- 时间：2026-10（arXiv 2610.02054，v4 2026-10-14）— 内容上属于把 2026 上半年 WAM 技术栈（MoT 架构、物理语言、flow matching）整合成开源统一模型的收官式论文
- 关键词：世界行动模型（WAM）、Mixture-of-Transformers（MoT）、物理语言（physical language）、人机共训（human-robot co-training）、history-conditioned flow matching、EgoANT 人履数据标注
- 一句话总结：VLA 和 WAM 的能力是互补的，那就都别扔。三个专家通过联合注意力互读：动作 token 既能看到语义上下文、又能看到逐步演化的视觉预测。监督各配各的：VQA 给推理器保语言、人履数据同时喂推理器和生成器（但不喂低精度动作）、机器人数据三者全喂。结果是一台「会看图、会说话、会动」的统一体。
🎯 一句话版本：核心数字
| 基准 | UniWAM | 最强对手 | 备注 |
|---|---|---|---|
| LIBERO 四套件 | 99.2% | Xiaomi-Robotics-0 98.7% | +0.5，四套件几乎拉满 |
| RoboTwin C2C | 75.14% | OpenWAM-α 89.4% / 4D-WAM 81.5% | C2C 不是冠军（见下） |
| RoboTwin C2R | 68.32% | GigaBrain-0.7 67.90% | 最高 C2R；C2C→C2R 只掉 6.8 pp |
| RoboTwin 平均 | 71.73% | OpenWAM-α 69.0% | 平均第一 |
| LIBERO-Plus | 92.6% | Kairos 89.0% | 七维里 Robot 扰动 89.5% 最显眼 |
| 真机指令跟随 IFR | 82.5% | π0.5 60.6% | +21.9 pp |
| 真机长程任务进度 | 5.0 / 6 | π0.5 4.8 | Motus 3.2 |
| Scaling law | L≈0.03205−0.00302·ln(D) | R²≈0.983 | 人+机混合语料 |
值得注意的不对称：RoboTwin C2C 上 UniWAM（75.14%）低于 OpenWAM-α（89.4）与 4D-WAM（81.5）——它是换空间的「随机化数字冠军」而不是「clean 数字冠军」；真正的卖点是 C2C→C2R 只掉 6.82 pp（π0.5 掉 24.7、Spatial Forcing 掉 50.46）以及四舍五入后 71.73% 的平均分。
🧭 读前 5 分钟：六个概念
- VLA vs WAM 的各自短板：VLA（π0、OpenVLA、π0.5）靠预训练 VLM 获得语义/推理，但只拿动作监督，不理解「世界会怎么变」；WAM（DreamZero、Motus、Cosmos-Policy）继承视频生成模型的时空先验，但 OOD 时的语义理解和推理「不太行」。
- MoT（Mixture-of-Transformers）：三种模态在一个 Transformer 里有各自独立的 QKV/投影/FFN 参数（不共享主参数），但每层做联合多模态注意力——所有模态的 token 拼在一起联合求解，输出解开后回到各专家的路线。本文的落点：动作 token 能同时「看」语义和「正在被生成的视觉预测」。
- 物理语言（physical language）：把连续动作翻译成自然语言——「move forward 3 cm, move left 2 cm, tilt left 10 degrees, close gripper」（厘米/10度精度、模板确定式生成）。这让 VLM 的动作监督落在它预训练的输入-输出分布里，不破坏语言能力。这就是让 VLM 学具身知识而不忘掉语言的手段。
- 互补监督分配——数据三源，各管各的：VQA（8.29M 对）只喂推理器（保语言）；人履数据喂推理器 + 生成器（不喂动作预测器——人手轨迹 Action tags 精度低）；机器人数据三者全喂（它有最准的动作标注 + 最现场一致性）。
- A2A（action-to-action）：flow matching 的起点不再是纯高斯噪声，而是「上一段历史动作 + 0.02 噪声」——时序连续性免费给了降低去噪步数的重要起点。
- EgoANT：把长人履视频切成原子操作段的 VLM 流水线（0.5s 采样时间表 → 全局粗分段 → 局部修正（no pad）→ 多路候选描述 → 纯文本选择器拍板）。
📦 数据：10,013 小时 + 8.3M VQA 对
Figure 3 的右半横轴标出了数据配比：机器人 ≈4,958 h（AgiBot World 2026 ~891 h、AgiBot Alpha ~595 h、Bridge ~80 h、Droid ~365 h、Fractal ~340 h、RoboCOIN ~1,088 h、Interdata-A1 ~1,600 h）；人履 ≈5,072 h（EgoVerse ~4,003 h、EgoDex ~829 h、VITRA ~240 h）。合计 ~10,013 h，另配 8.29M 对 VQA（SAT/RefSpatial/VST-P/SenseNova-SI/GRiD-3D/RoboPoint/CLEVR/VSI/SIMS-VSI/RoboVQA/Robo2VLM，含空间理解、指代、组合推理、时序、具身交互、规划六类）。
机器人数据的「三重体检」
- 时序/统计体检：级联中值滤波 + Savitzky–Golay 参考曲线识别非物理跳变；状态-动作经互相关对齐后检查一阶差分方向一致性；分位数（q01/q99）离群剔除（夹爪维度例外，因为分布不连续）。
- 几何体检：可靠关节读数 + 机器人模型时，用正运动学核对关节角 ↔ 末端位姿的一致性，暴露 TCP 定义/旋转表示/base 坐标系的坑；坐标轴语义不明的数据保持原样。
- 视觉体检：黑帧/损坏/过度模糊/长期静止帧剔除，但夹爪闭合的关键帧即使视觉变化小也保留。
EgoANT：人履数据怎么切成原子任务
Figure 2 四步：(1) 粗分段：0.5s 采样的「接触池」（每表 ≤20 帧）作为整段一次性输入 VLM，配合 Macrodata Labs 的 completed-event 规则（识别会产生有效状态变化的操作段，不理睬接近/微调/缩手）；(2) 局部修正：在粗边界周围有时间戳 contact sheet 复核（可把粗段拆分成多个原子任务）；(3) 多路候选标注：固定边界上的原生帧标注、FFmpeg 替代解码路径标注、基于 seed/prior 条件的重标注并行；(4) 纯文本选择器只看候选描述文本定稿（选「动作-物体-落点」表述最具体的）——选段只用文本，视觉证据全在前一步。模型选择：分段用 Qwen3.6-27B，标注/选择用 Qwen3.5-397B。配完之后所有三个数据源都统一成「时序对齐的视觉 + 子任务描述 + 双腕 14 维运动（xyz+quaternion）」格式。
🛠️ 方法：三个专家 + 两种后训练技巧
MoT 架构
如图 3 左半所示：物理推理器吃当前观测 + 指令，产语义 token、保留自回归语言头，输出还包含物理语言描述；世界生成器基于 frozen 视频自编码器的 latent 未来视觉流（观测帧保持干净）；动作预测器嵌动作块 + 当前状态 token、预测连续流场。三者每层通过 joint attention 互走信息（Q/K/V 各自的投影，拼 token 维联合求解输出）。整个模型学的是 p(语言, 未来观测, 动作 | 观测, 状态, 指令) 的联合分布——一个 forward 同时算视频和动作两个速度场。
预训练
损失 L = w_a·L_act + w_v·L_v + L_lang，权重用 1:1:0.1（视频:动作:语言）配比。flow matching 在独立采样 τ_a、τ_v 的噪声水平上插值；预训练时动作源和视觉源都是高斯噪声，生成从噪声端（t=1）流向干净目标端（t=0）。语言损失只对 answer token 回传。执行的是物理语言监督——人和机器人数据都按 LAP 的模板讲 EEF 位移变化。
后训练两项技巧
- 未来帧加噪增广（Future-frame Noise Augmentation）：joint attention 会让动作预测太依赖「几乎干净」的未来视觉预测，但这种预测推理时不一定靠谱。以 p=0.5 的概率把插值后的未来 latent 保留率 saug~U(0.5,1) 充分扰动、观测 latent 保持干净、flow 目标和时间步 embedding 不变——逼动作专家从粗糙的视觉表征里也能提取控制相关信息。也就让「生成 + 动作」两路耦合更鲁棒。
- History-conditioned flow matching（图 4 上）：动作流的源不再是高斯 N(0,I)，而是「上一段历史动作 + N(0, η²I)」（η=0.02）。从扰动的历史（噪声水平 1）稳定流向干净的未来（噪声水平 0）。时序连续性成为了先验。图 4 下方两幅：start = noise（传统 N2A）vs start = 历史动作 + 小扰动（本文 A2A）都指向 clean actions。
两项技巧叠加的直接收益：推理去噪步数可以压到 2–4 步。Figure 11 显示 A2A 4 步（71.73%）超过 N2A 10 步（66.73%）——省 6 步推理且更准。
🧪 实验：六个赛道
1. LIBERO（分布内）
| 方法 | Spatial | Object | Goal | Long | 平均 |
|---|---|---|---|---|---|
| π0.5 | 98.8 | 98.2 | 98.0 | 92.4 | 96.9 |
| OpenVLA-OFT | 97.6 | 98.4 | 97.9 | 94.5 | 97.1 |
| Motus | 96.8 | 99.8 | 96.6 | 97.6 | 97.7 |
| X-VLA | 98.2 | 98.6 | 97.8 | 97.6 | 98.1 |
| VLA-Adapter / Cosmos-Policy / LingBot-VA / Spatial Forcing | – | – | – | – | 98.5 |
| Xiaomi-Robotics-0 | 98.8 | 100.0 | 98.8 | 97.2 | 98.7 |
| UniWAM | 99.6 | 99.6 | 99.2 | 98.4 | 99.2 |
2. RoboTwin 2.0（C2C 与 C2R）
50 任务、每任务 50 条 clean 演示、评估 100 episodes。分 VLA / WAM 两大家族：
| 家族 | 方法 | C2C | C2R | 平均 |
|---|---|---|---|---|
| VLA | GR00T-N1.7 | 43.6 | 20.7 | 32.2 |
| VLA | StarVLA | 58.1 | 10.6 | 34.4 |
| VLA | Xiaomi-Robotics-0 | 62.90 | 18.20 | 40.55 |
| VLA | ABot-M0 | 57.40 | 30.36 | 43.88 |
| VLA | X-VLA | 68.00 | 20.90 | 44.45 |
| VLA | Spatial Forcing | 77.20 | 26.74 | 51.97 |
| VLA | π0.5 | 70.70 | 46.00 | 58.35 |
| VLA | GigaBrain-0.7 | 66.80 | 67.90 | 67.35 |
| WAM | AHA-WAM | 64.3 | 3.2 | 33.8 |
| WAM | FastWAM | 70.20 | 1.20 | 37.70 |
| WAM | X-WAM | 70.00 | 25.80 | 47.90 |
| WAM | 4D-WAM | 81.5 | 41.8 | 61.7 |
| WAM | OpenWAM-α | 89.4 | 48.7 | 69.0 |
| WAM | UniWAM | 75.14 | 68.32 | 71.73 |
这张表是最值得慢慢看的一张：C2C 冠军 OpenWAM-α 一掉随机化就掉 40.7 pp（89.4→48.7）；而 UniWAM 是全表掉分最少的一档（6.82 pp），C2R 又以 0.4 pp 险胜开了「随机化数据训练」外挂的 GigaBrain-0.7。fast WAM（AHA-WAM/FastWAM）的 C2R 崩到 1–3% 印证了那个前提：纯视频生成骨干、没有语义/推理配套时，随机化是死穴。
3. LIBERO-Plus（七维扰动）
| 方法 | Camera | Robot | Language | Light | Background | Noise | Layout | 总 |
|---|---|---|---|---|---|---|---|---|
| π0.5 | 87.6 | 78.4 | 80.0 | 92.6 | 91.6 | 91.4 | 81.8 | 86.2 |
| ACoT-VLA | 96.6 | 70.4 | 79.7 | 95.1 | 97.1 | 95.9 | 85.0 | 88.0 |
| Kairos | 95.5 | 72.6 | 86.8 | 97.7 | 95.8 | 96.8 | 81.5 | 89.0 |
| UniWAM | 92.0 | 89.5 | 92.2 | 97.9 | 97.6 | 94.3 | 84.6 | 92.6 |
四个单项第一（Robot/Language/Light/Background），Robot 扰动 +11.1 pp 领先 π0.5——这条就是「物理语言把语义和动作绑在同一空间上，视觉捷径被削了」的直接证据；Camera 和 Layout 两项则不是第一（ACoT-VLA 96.6 / 85.0）——视角和布局扰动依然靠推理链路最深的模型占先。
4. 真机：指令跟随
四个任务设计在同一 18 物体集合上考四种语言能力：Pick-Anything（名词 grounding；多干扰物场景找对目标）、Diverse-Interaction（同物体多动词——放盘上/盖盖子/按下计算器）、Place-Relative（介词 grounding：「粉杯放到计算器左边」）、Drawer-Storage（拉开抽屉放东西 + 双臂协作）。每个任务 40 次评估、每方法 200 演示/任务、同一 8×H100 训练协议 80K 步。
| 任务 | SR: Motus / π0.5 / UniWAM | IFR: Motus / π0.5 / UniWAM |
|---|---|---|
| Pick-Anything | 50.0 / 80.0 / 80.0 | 52.5 / 80.0 / 90.0 |
| Diverse-Interaction | 35.0 / 40.0 / 72.5 | 40.0 / 50.0 / 80.0 |
| Place-Relative | 17.5 / 35.0 / 47.5 | 25.0 / 42.5 / 72.5 |
| Drawer-Storage | 45.0 / 62.5 / 70.0 | 55.0 / 70.0 / 87.5 |
| 平均 | 36.9 / 54.4 / 67.5 | 43.1 / 60.6 / 82.5 |
IFR 指令跟随率衡量「有没有按指令对上物体和动作」——「把粉杯放到盘子上」时动橙杯即便是成功执行也算 IFR 失败。平均 IFR +21.9 pp、最大单项是 Diverse-Interaction（40.0→72.5，+32.5 pp）——物理语言监督确实在联合 grounding 上长出能力。
5. 真机：长程任务
Figure 5 下的「Tidy up the desk」任务推理时只给一句高层指令，模型自己推断 6 个顺序里程碑：放第一只杯 → 放第二只杯 → 开抽屉 → 放目标物 → 关抽屉 → 把记号笔放进笔架；UniWAM Task Progress 5.0/6，π0.5 4.8，Motus 3.2。训练秘技：训练时在物理语言前面加细粒度子任务描述、一起监督——「高层目标 ↔ 中间子目标 ↔ 动作」的链条就是这么练的。
6. Scaling law + t-SNE
Figure 7 双图：左图是验证损失随机器人数据时长（log 尺刻）的收敛曲线——L(D) ≈ 0.03205 − 0.00302·ln D，R²≈0.983，而且这条离线曲线和下游任务成功率同步升降；右图是 RoboTwin C2R 成功率——纯机器人数据到 5k 小时时是 0.67，混入等量人履数据在 <1k 小时反而拖后腿、≥1k 之后开始反超。「人机共训大数据才有物理共性可迁移」。Figure 8 给的是机制证据：没有物理语言监督时物理推理器的表征里机器人（紫）和人（灰）在 t-SNE 里完全分开，加上物理语言监督后相互嵌入——共域映射就是靠这套语言桥。
Task-level 全表（附录 Table 7）
50 任务里最强项 grab_roller 100%、click_bell 99.5%、stack_bowls_two 92.5%；最弱项 hanging_mug 16%、handover_block 21%、put_object_cabinet 34% 拖低均值——挂物/交接类交互复杂任务仍是公难点。
🔬 消融
Figure 9 三组（RoboTwin 平均）：
- 数据构成：baseline 46.23 → 机器人 only 预训练 67.53（C2C 72.30 / C2R 62.76）→ +人履数据 71.34（C2C 75.12 / C2R 67.56）→ +VQA 71.73（C2C 75.14 / C2R 68.32）。机器人+VQA（无 human）=67.13，不升反微降——VQA 只和「人+机」搭配才有增益，就是前文那条「大数据才够迁移」的消融面。
- VLM 训练策略：冻结推理器 42.61 → 解冻 46.49 → +物理语言监督 51.74 → +预训练 71.34。逐级有效。
- 动作生成策略：N2A 64.80 → A2A（历史初始化）69.73 → +未来帧加噪 71.34。
Figure 11 把推理效率讲透：1/2/4/10 步下，N2A 平均 42.20/48.39/53.31/66.73，A2A 64.99/69.39/71.73/71.79——A2A 只要 2 步就追平 N2A 的 10 步，4 步封顶。推理成本直接半价打三折。
💡 评析：一条焊缝，两个亮点，四条边界
最妙的地方
- 物理语言是「万能插座」：一个模板让 human 手腕运动和机器人 EEF 动作说同一种语言——它同时做了三件事：保语言（对 VLM 是熟悉的文本分布）、跨本体（14 维 vs 关节角差几度不同不要紧）、可对齐（EgoVerse/VITRA/EgoDex 的腕轨迹都能转写成动作语言）。t-SNE 重叠是人类-机器人 transfer 的最直观形态。
- 「监督按专家分配」原则写清楚了 VQA/人/机三者的角色——记录了这个时代最重要的 multi-source pretraining 的系统落位，可以视作 MoT 系工作（Motus、Cosmos 等）里监督设计写得最干净的一篇。
- A2A 是白嫖的时序先验：不改架构、不 cost 推理，把 past 动作当初始化拿一个清晰收益（64.8→69.7），而且让推理步数从 10 降到 2-4。「推理太慢」这个 WAM 系的老 bug 被打掉。
四条边界
- C2C 不是冠军：75.14 落后 4D-WAM（81.5）/ OpenWAM-α（89.4）达 6-14 pp。作者解释成「limited training data 下的双臂性能」，反过来读也是「本体/推理亮点用在随机化场景、而非把 clean 记忆化推到满」。
- Camera / Layout 扰动不是第一：视角换位和桌面布局更多考验纯空间推理，UniWAM 的多专家集成在这两个维度上仍不如 ACoT-VLA——「语言/物理维度拉满」是数据配比给的，不是架构跨维度无敌。
- 真机实验问题谱窄：18 个桌面物体、4+1 个任务、每任务 40 次评估——指令跟随强但总体仍是桌面双臂系统级验证（AgileX Piper 双臂 + 三相机）。
- Scaling law 是验证损失 not 成功率：R²≈0.983 的曲线拟合到 5k 小时数据；下游 0.35→0.67 的增益虽单调但样本点少，不宜断言已踩到平台——250h→5k 小时也就 4 个数据点。
🗺️ 在 WAM 谱系里的位置
| 路线 | 代表 | 思路 | 与本文关系 |
|---|---|---|---|
| 纯 VLA | π0/π0.5、OpenVLA、X-VLA | VLM + 动作头 | 家族对手（IFR 基线） |
| WAM（视觉动力学） | DreamZero、OpenWAM、4D-WAM | 视频骨干 + 未来预测监督 | 家族对手（C2C 强 / C2R 软的对照面） |
| latent action 桥 | Motus | 光流 latent action 共享 | 家族对手（无监督共训路线） |
| 统一三专家（本文） | UniWAM | VLM+VGM+动作、物理语言为桥 | 谱系收束点 |
| 人履增强训练 | GEN-0、Xiaomi、BeingH0.5 | 人履数据 + 共训姿态 | 同向（本文提供了它的 scaling law） |
延伸：《π0.5开放世界泛化精读》（VLA 操纵链）、《PrismWAM 精读》（MoT 解耦路线）、《Flash-WAM 精读》、《DROID机器人操作数据集精读》、《LIBERO 精读》（四套件基准）、《WAM 世界行动模型全景分析》。
📊 图表总索引
| 图号 | 内容 | 在本文中的位置 |
|---|---|---|
| Fig 1 | 数据/架构/成绩总览 | 开篇 |
| Fig 2 | EgoANT 人履标注流水线 | 数据 |
| Fig 3 | 三专家 MoT 架构 + 数据构成 | 数据/方法 |
| Fig 4 | History-conditioned 去噪示意 | 方法 |
| Fig 5 | 真机 4 个指令任务 + 6 层长程任务 | 真机 |
| Fig 6 | 指令跟随 SR / IFR / 长程进度 | 真机 |
| Fig 7 | 验证损失 scaling law + C2R 数据尺度曲线 | 分析 |
| Fig 8 | 物理语言上线前后的 t-SNE | 分析 |
| Fig 9 | 三组消融条形图 | 消融 |
| Fig 10 | 真机双臂 + 三相机 setup | 消融旁 |
| Fig 11 | N2A vs A2A 在 1/2/4/10 步的曲线 | 推理效率 |
表格：Table 1 机器人+人数据小时数；Table 2 VQA 8.29M 构成；Table 3 EgoANT 配置；Table 4 LIBERO；Table 5 RoboTwin 50 任务 C2C/C2R；Table 6 LIBERO-Plus 七维；Table 7 RoboTwin 全任务。
❓ 自测 Q&A
Q1：为什么动作要用自然语言描述？直接用回归动作头监督不行吗？ A：动作头照记（机器人数据里都有），但不保 VLM 的语义能力。VLM 更新到具身 domain 时如果有动作「外语」监督冲击它 pretrained 输入输出分布，语义会伤掉；物理语言把动作翻译成 VLM 熟悉的自然语言文本，是「通讯约束内的具身改造」。
Q2：人履数据为什么只喂推理器和生成器、不喂动作预测器？ A：人手轨迹的 Action tags 精度低于机器人拿的 joint/EEF 读数，何况每个人手的动作语义集不一样，用低精度动作当监督会污染 flow 中的连续性先验；但人履帧在「世界会怎么变」上信息丰富、且腕轨迹经 EgoANT+ wrist transform 可以讲物理语言，故喂推理器 + 生成器而不喂动作。
Q3：未来帧加噪增广是对「生成」还是对「动作」的加固？ A：动作。joint attention 让动作 token 直读视觉预测 token；推理时视觉 token 由 VGM 生成、有噪声/有缺陷，如果训练时动作只见过「准干净视觉未来」它就脆弱。策略是在训练期以 p=0.5 强行加噪未来 latent（观测 latent 干净、flow 目标不变），让动作学会「从粗糙视觉也能过日子」。
Q4：A2A 会不会把「动弹不得」锁死？ A：入口不是纯历史而是「历史 + N(0, η²I)」（η=0.02）。扰动幅度小到保留时序连贯（供网络走 2-4 步就到目标），又大到可以自由偏离历史（转新动作 chunk 时输出的位移场这个头负责）。
Q5：LIBERO-Plus 里 Robot 扰动（89.5%）的领先来自？ A：作者的归因是：物理语言把语义-动作绑成共享映射、VQA 保语言理解、世界生成训练强调「光照/背景下的动力学不变量」——三个监督目标各占一个维度，正好打在 Robot/Language/Light+Background 三条扰动带上。
Q6：Scaling law 是在什么上面量的？ A：log(D) 上的验证损失。公式 L≈0.03205−0.00302·ln D（D 单位小时，R²≈0.983），覆盖 250h → 5k 小时机器人+恒定比例人履；同时验证损失和 RoboTwin C2R 成功率同向走——离线 loss 可以作为具身能力估计。它的可用性在 <1k 时有「人履拖累」的插曲——小数据阶段还得纯机器人。
📚 资源与延伸
- 论文：arXiv 2610.02054
- 代码 / 模型 / 项目页：GitHub repo、Hugging Face / ModelScope 权重、EgoDex/EgoVerse/VITRA 数据全部公开（站内链接见项目页
unified-wam仓库组） - 关键前作：π0 / π0.5（arXiv 2504.16054）、OpenVLA、LAP（语言-动作预训练，RSS 2026）、Motus（CVPR 2026）、DreamZero（arXiv 2602.15922）、4D-WAM（arXiv 2608.08023）、Fast-WAM（arXiv 2603.16666）、RoboTwin 2.0（arXiv 2506.18088）、LIBERO-Plus（arXiv 2510.13626）、EgoDex、EgoVerse、VITRA、Mixture-of-Transformers（arXiv 2411.04996）
- 站内延伸：《π0.5开放世界泛化精读》、《PrismWAM 精读》、《Flash-WAM 精读》、《LoopWAM 精读》、《HexaShell 精读》、《WorldOracle 精读》、《LIBERO 精读》、《DROID机器人操作数据集精读》、《WAM 世界行动模型全景分析》、《什么是世界模型》