七所大學聯合開源 OpenWAM：機器人不只要「看見」，還要「預判下一秒」
十月初，一個由新加坡國立大學、清華大學、北京大學等七所大學研究人員組成的團隊，把 OpenWAM 放上了 GitHub 和 Hugging Face。專案定位很明確：面向世界動作模型（World Action Model，WAM）的開源研究全端，外加一個基座模型。論文已經上 arXiv，編號 2609.07398，儲存庫到十月一日大約 940 顆星。
這則消息在國內的傳播不算慢，但真正值得多看一眼的地方，是它想解決的那個老問題：機器人光辨識出眼前是什麼，並不夠用。
傳統模擬器把物理和視覺分開算
過去開發機器人策略，常見兩條路。一條是直接從機器人示範中同時學習視覺規律與控制訊號，另一條是先透過圖像文本預訓練，把語義和語言知識帶進來，這就是 VLA 路線。
世界動作模型走了第三條路：先從影片生成預訓練中繼承「世界會怎麼變」的先驗，再透過具身經驗學習「在這個世界裡該做什麼」。聽起來像繞遠路，但它迴避了模擬與真機之間那道老裂縫。傳統模擬器的物理和視覺往往各算各的，動作效果和畫面觀感對不上；OpenWAM 的做法是讓模型直接從資料中學習「動作如何改變世界」，再據此預測物體位置、場景語義和任務狀態。
拆成三層，讓實驗可重現
團隊把問題拆成三層，每一層對應一個元件。
OpenWAM-Infra 是模組化基礎設施，把可組合模型、訓練執行環境、部署執行環境和評測協定四層解耦。這一層的作用是把世界動作模型從緊耦合的單一實作，變成可以替換零件的實驗台。
OpenWAM-Study 負責沉澱設計規律。它不做模型，做的是受控實驗，用一組組對照把「什麼樣的設計有效」變成可重現的結論。
OpenWAM-α 是基座模型本身，在大規模人類第一人稱視角影片和機器人資料上驗證整套方案。
三條設計原則，每條都有對照數字
這類論文最怕全是口號。OpenWAM 給的三條結論都附帶了對照實驗。
第一條，需要足夠強的生成式世界先驗。14B 影片骨幹拿到 93.79%，1.3B 只有 90.14%；預設配置選了 5B，比 14B 只低 1.4 個百分點。配上 DINOv3 與 S-VAE 壓縮出的緊湊視覺潛空間，效果接近 Wan2.2 內建的 VAE。
第二條，訓練時必須建立明確的世界到動作資訊流。讓「動作流看見世界流」，準確率 92.39%；改成孤立遮罩只有 87.41%，差了整整 5 個百分點。推論時同步聯合去噪效果最好。
第三條，資料要分來源使用。機器人資料負責保住動作的 grounding，人類第一人稱視角影片負責擴大世界的涵蓋範圍，單階段協同訓練把兩者整合。有意思的是，預訓練域內提升有限，分布外（OOD）成功率卻從 14.50% 提升到 26.62%。
基座模型的實際規格
OpenWAM-α 由兩部分拼成：Wan2.2-TI2V-5B 擔任影片流，再掛上一個 1B 的動作 DiT。動作空間統一成 80 維，相容 17 個物理平台。預訓練資料 14300 小時，其中人類第一人稱視角占 30%，合成資料 30%，真實資料 40%。
推論速度上，RTX 5090 上單個動作區塊 170 毫秒。評測涵蓋 LIBERO、RoboTwin2.0、RoboDojo 等 8 個模擬基準，形態從單臂、雙臂到移動操作和靈巧手。EBench 的移動雙臂項目上，它目前是最佳，領先第二名約 4 個百分點。真機驗證用 Franka 單臂跑了六個任務，平均成功率 82.5%，高於 LingBot-VA 的 77.5% 和 π0.5 的 55.0%，其中兩項做到 100%。換成訓練時沒見過的靈巧手，微調後也全面超過 π0.5。
它沒有宣告 VLA 出局
論文裡有一段結論值得單獨提出來：WAM 靠未來影片潛變數做監督，在分布內更貼合；VLA 在分布外擾動下更穩健。兩者勝負未分。
這句話比「某個典範已死」要誠實得多。讀論文的人容易只記住分數，其實更該記住的是這句：兩條路線現在各有所長，還沒有到可以一錘定音的時候。
門檻被壓低了一檔
放在更大的背景裡看，世界模型這條線上，Google 的 Gemini Robotics 2 喊出「一個大腦，適用於任何機器人」，NVIDIA 的 Jim Fan 拋出「VLA 已死，世界動作模型當立」。十月三日，NVIDIA 又擴展了開放物理 AI 堆疊，把 Cosmos 世界模型、Isaac Lab Arena、自動駕駛的 Alpamayo、編排工具 OSMO 和 OpenUSD 函式庫一起放出，Caterpillar、LEM Surgical、Neura Robotics 都成了首批使用者。十月四日，浙江杭州雲深處科技的多台人形機器人走上街頭，測試路口交通指揮和遊客諮詢，雨天也在跑。
在這樣的密度下，大學把全端底座開源，等於把這個方向的門檻壓低了一檔，也讓「用影片學世界、用軌跡學動作」成為更公開的路線。
它不是拿來直接部署的
需要說清楚的是，OpenWAM 的定位是研究基礎設施，不是開箱即用的產品。官方 README 建議準備約 640GB 訓練資料，環境容量約 6.5GB，儲存庫仍在活躍變動。它適合已有 GPU 和資料、想在此基礎上做世界動作模型研究的團隊，不適合拿來做小規模落地的場景。
後續值得盯的觀察點也很具體：這批研究的重現率有多高，半年之後還有多少人在上面提交改進，以及有沒有團隊真的把它微調進產品線。發布當天的熱度會散去，能留下來的是那些還在被使用的程式碼。