李飞飞团队造了个世界动作模型：换个底座，机器人成功率直接飙升

9 月 22 日，以 FLUX 图像模型闻名的 Black Forest Labs 跨界发布了开源 7B 世界动作模型 FLUX 3 Action。据其官方博客，该模型在英伟达 RoboLab-120 榜单上超过了此前最强的开源模型 Cosmos 3 Nano，参数量却不到后者一半。一家做图像生成的公司跑来卷机器人控制，说明 视频 模型里积 累的「物理直觉」正被越来越多的团队当作机器人大脑的底座 。

这条路线即所谓 世界动作模型（World-Action Model，WAM） 。自今年 2 月英伟达在 DreamZero 论文中明确提出这一术语以来，相关论文快速涌现。但热闹背后有个尴尬的问题：这些系统几乎都同时换了视频骨干、训练数据、视频与动作的交互方式和推理流程，谁也说不清究竟是哪个设计带来了提升。

本周，斯坦福大学李飞飞、吴佳俊、Ehsan Adeli 等人的团队发布论文，提出开放的世界动作建模框架  OpenWAM ，试图给这个问题一个系统性的回答。

OpenWAM 框架总览：三阶段训练、共享 MoT 架构、四种可配置交互方式，以及可冻结复用的局部动力学模型。 论文标题：OpenWAM: An Open Framework for Composable World-Action Models

论文地址：https://arxiv.org/abs/2610.07922

项目主页：https://openwam.stanford.edu

代码仓库： https://github.com/OpenWAM/OpenWAM

为什么需要一张「统一考卷」

传统的视觉-语言-动作模型（VLA）像一个凭条件反射开车的司机，看到画面、听到指令就直接给出动作。

WAM 则多了一步「脑内预演」： 同时预测接下来几秒画面会怎样，以及为此该怎么动。 视频天然记录了物体如何下落、碰撞和被推动，用海量视频预训练过的模型因此自带物理先验。

问题在于，「预测画面」和「生成动作」可以有很多种耦合方式：先想象再动作，先动作再想象后果，两者同时生成，或者各算各的。各家选择不同、底座和数据也不同，放在一起比较，就像几位厨师同时换了食材、灶具和下锅顺序，很难判断菜好吃究竟归功于哪一步。

第二个问题更隐蔽。机器人训练数据大多是成功示范，只告诉模型「正确的路怎么走」，几乎不包含「手多伸出去两厘米会怎样」。这好比只看过教练完美绕桩录像的学员，记住了路线，却不懂方向盘打多少车会偏多少。

Ope nWA M  对前者的回答是共享底座加可切换的交互方式，对后者的回答是大规模「反事实」数据。

同一副骨架，四种「先想还是先动」

OpenWAM 从阿里开源的视频模型 Wan2.2-5B 出发，先在约 334 万条机器人与人类交互视频上继续预训练，名义时长约 1.46 万小时，全程不用动作标签，在 32 块 B200 上训练了 14 天。

关键改动是「 因果化 」：每个视频块只能看到当前及之前的内容，不能偷看未来。原来的模型像拿着整本剧本反复改台词，现在则要像直播一样按时间顺序往下演，这正是机器人逐步行动所需要的。

随后，团队用  Mixture-of-Transformers（MoT）架构 把 5B 的视频专家和 2B 的动作专家拼在一起。两者各自保留归一化、投影和前馈层，只在一层联合注意力中交换信息。

主题：问题