动作

动作是强先验，而非软提示。

纵观ICML上的WAM论文，其共同的趋势在于：利用明确的动作指令作为“锚点”，在长序列几何一致性、无限视距规划以及反事实推理上取得了惊人的突破。

提供了从几何到物理再到动作的路线。

阵营一：LAWM（隐式动作路线）：构建常识与物理直觉的基座

阵营二：WAM（显式动作路线）：突破数据墙与精细控制的王者

“在隐空间运算”不等于“隐式动作路线”，辨析这一点，将有助于我们更清晰地看懂世界模型发展的大棋局。

当前许多具身模型仍然沿用"先预训练视觉语言模型或视频模型，再后训练为动作模型"的路线，隐含地假设语言或视频中的世界知识最终会自然迁移为动作能力。

动作编码器，把动作编码成动作嵌入。

DM0.5在机器人数据中引入11种自回归任务，把训练监督从单一的动作预测，扩展为指令理解、时序推理与动作生成的联合监督，直接提升长程任务中的指令遵循能力和动作连贯性。

针对机器人数据采集节奏不一致的问题，DM0.5通过动态规划将预测动作与真实轨迹做单调递增匹配，让模型学习任务规律本身，而非采集节奏——抓取、放置等核心动作的生成因此更平滑、更鲁棒。

视角变化首先扰动空间表征，再影响后续动作生成。

重新对齐视觉表征与后端动作生成模块。

在会场内外，学者们争论的核心焦点早已跳出“要不要用世界模型”的启蒙阶段，彻底演变为具体的技术路线选择：是沿着依赖显式动作数据的WAM（WorldActionModels）路线深耕，还是全面拥抱从海量视频中汲取物理规律的LAWM（LatentActionWorldModels）路线？

在你看来，当前阻碍具身智能爆发的最大瓶颈，是LAWM的视频预训练算力不够，还是WAM的真实动作数据太少？

视觉编码器在新视角下产生了偏移的空间表征，而后端的语言-动作推理与控制模块，其实仍然保留着可以被重新调动的物理建模能力。

目前，这一动作推演与决策能力已在番茄、生菜、黄瓜三种设施作物上实现。

论文点评：现有视频生成潜在动作控制的两阶段训练存在冗余学习、表征易崩塌的痛点。

▎DiLA：结构解耦潜在动作建模，平衡动作抽象与视频生成质量

多组实验证实，DiLA在视频画质、动作泛化、规划效果与潜在空间可解释性上全面超越现有方案，搭建起融合高层次动作抽象与高保真生成的统一架构。

论文点评：现有潜在动作模型难以兼顾动作抽象能力与视频生成效果。

Riemann-1.0提出的WorldActionModel（WAM世界动作模型）是将机器人动作与世界变化统一建模。

具体而言，模型采用全因果动作—视频联合建模框架，在同一模型中同时学习机器人动作生成以及动作执行后环境如何变化，将机器人策略学习和世界动态建模统一到连续状态转移过程中。

第二阶段，引入UMI演示数据、带3D手部标注的人类视频以及机器人真实轨迹数据，让模型逐步完成视觉信息与真实机器人动作之间的对齐。

机器人手机RobotPhone，便是AgenticOS实践探索的首个落地产品，拥有强大的感知、推理、执行和反馈能力，RobotPhone还搭载精密的四自由度云台系统，并依托OpenClaw开放平台优化，让云台系统演进成智能体的执行器，人们用自然语言就能驱动在物理世界的动作。

这些动作很难与展馆中跑跳、翻转的机器人相比，但巴布的动作不是在展示机械能力，而是在服务于交流。

传统上，VLA被视为一个端到端系统：输入图像和语言指令，输出机器人动作。

机器人动作，则可以被看作从这个密集物理预测场中读出的本体轨迹。

小张：等下她后面又有一个推的动作。

小张：这个动作是我是印象中是推过两次的这个，第二次又有一个推的动作。

就在2025年，央视春晚上挥着手绢跳舞的机器人动作还显得僵硬笨拙，而到了2026年，机器人已能够完成连贯武术、精准编队、高难度动态走位，动作舒展利落。

他告诉记者，在企业的操作间，工作人员正在调试一台人形机器人的动作、语速，数日之后它将前往江苏无锡“出差”，协助真人讲解PPT。

陈瑞圣介绍，杭州星枢智能引进了动作捕捉设备，让机器人的动作更拟人，公司还考虑未来成立机器人表演团，以租赁方式开展巡演。

@德康张刚佑的学员们分为虎、鹿、熊、猿、鹤五大“门派”，身着对应动物元素帽子，展示招牌五禽戏动作。

虽然装备并不厚重，但在人的操控下，机器人的动作依然显得有些缓慢和笨拙。

农业世界模型回答的是"改了动作之后会怎样、那该怎么做"。