世界动作模型被拆成了零件：OpenWAM 开源全栈与那份设计规律清单

一个机器人要把桌上的杯子挪到水槽边，它得先回答两个问题：接下来画面会怎么变，以及我做什么能让画面朝我想要的那个方向变。

第一个问题属于视频生成模型，第二个属于机器人策略。过去几年这两件事大多分开做，或者硬塞进一个网络里一起训，塞法各家不同，谁也说不清到底哪一部分在起作用。

9 月 7 日，来自新加坡国立大学、清华大学、北京大学、上海交通大学等七所高校、二十四位成员组成的联合团队发布《OpenWAM: An Open, Modular Exploration Towards Systematic World–Action Model Pretraining》（arXiv:2609.07398），把这条路线拆成可替换的零件，并附上一份受控实验得出的设计规律。代码、权重、数据配方已开源。

🧱 三层结构：Infra、Study 与 α

OpenWAM 由三块组成，分工明确。

OpenWAM-Infra 是模块化基础设施，把模型、训练运行时、部署运行时、评测协议四层拆开，各自有显式接口。模型层由视觉编码器、可换的数据流骨干、可见性注意力掩码拼装而成。统一运行时管预训练、微调与断点恢复，并保存完整配置、模块重建信息与动作归一化统计量。部署侧只有一个 policy server，支持同步与异步推理、多种去噪调度与加速手段。评测侧用轻量客户端连服务器，仿真与真机的输入输出接口保持一致。

OpenWAM-Study 是在 RoboTwin2.0 上、固定训练预算与评测口径做出来的一组受控实验，回答三个问题：该继承什么世界知识，世界建模与动作学习怎么协同，这种协同怎么跨数据域与具身形态扩展。

OpenWAM-α 是把 Study 的结论实例化出来的基座模型。它用约 6400 小时的第一人称人类数据与机器人数据，采用 80 维统一动作表示与双系统架构。

🔩 三种架构族：单系统、双系统、三系统

Infra 支持三类拼装方式。

单系统给视频与动作共用一条骨干。双系统把两条骨干分开，再用联合自注意力、交叉注意力或逆动力学三种方式之一连起来。三系统在双系统之上再加一路视觉语言理解流。三种架构都通过统一配置与注册表机制组装，训练器与策略服务器不需要知道当前装的是哪一种。

这层设计的意义在控制变量：同一个实验换骨干、换编码器、换信息流方式，其余全部锁死。在此之前，不同论文的世界动作模型连骨架都不一样，结果差异无法归因。

📐 规律一：先验要强，潜空间要紧凑

Study 第一条结论落在"继承什么"上。

团队比了四个视频生成骨干，平均成功率依次是：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%。容量越大表现越好，但团队最终选 5B 作默认，理由是它与 14B 只差 1.40%，成本效率更划算。

论文自己给了一句限定：这四个模型在架构、数据、训练目标上都不一样，增益不能单独归因于参数量。【直引】

视觉表征那一组实验更有意思。关键不在编码器是重建式还是表征式，而在潜空间是否在时间与 token 两个维度上都紧凑、同时保留足够的世界信息。DINOv3 与 V-JEPA 2.1 直接产出高维特征，初期表现反而差；经 S-VAE 压缩到与 DiT 兼容的空间后性能显著上升，DINOv3 加 S-VAE 的组合已经接近 Wan2.2-VAE。

🔁 规律二：世界到动作的信息流要显式建起来

第二条结论落在"怎么协同"上。

架构消融显示，从单系统走到双系统、再走到三系统，平均成功率逐档提升。提升来自训练期显式建立的世界到动作信息流。推理侧则用同步联合去噪，让未来预测与动作生成在同一节奏上互相约束。

这条规律的解释力在于它把"世界模型有没有用"这种笼统争论，换成了"信息从哪一层流向哪一层"的可调参数。【判断】

🧪 八个基准与四种本体

评测协议覆盖八个仿真基准：LIBERO、LIBERO-Plus、VLABench、RoboTwin2.0、RoboDojo、RoboCasa365、EBench、RoboCasa-GR1。本体覆盖单臂、双臂、移动操作与灵巧手四类。

开源内容包括基础设施、评测协议、预训练与微调权重、数据配方。团队对外给出的定位是：供研究者检验"哪一种世界模型设计选择能改善域外机器人行为"。

📼 数据不对称，与这条路线走过的路

世界动作模型这条路线有一个绕不开的现实：两类数据的量级差得太远。互联网上的视频以亿小时计，机器人轨迹以万小时计。机器人策略直接从示范里学，能学到的世界知识上限被第二种数据卡住；把视频生成预训练的视觉动态先验先继承过来，再用具身经验学怎么在这个世界里动手，是这条路线的核心赌注。

论文把问题拆成三层的顺序，正好对应这个赌注：先问什么知识值得继承，再问世界建模和动作学习怎么协同，最后问这种协同怎么跨数据域和具身形态扩展。

从 UniPi 提出"策略即视频"算起，这条线走过解耦、对齐、联合、大规模预训练几个节点，在 VLA 盛行期仍在推进。进入 2026 年，研究重心从"能否预测未来"挪到"什么样的未来对行动真正有用"。

🧭 放在哪条线上看

2026 年关于世界动作模型的研究重心，已经从"能不能预测未来"挪到"什么样的未来对行动真正有用"。OpenWAM 的位置在这个转折点上：它没有宣称新的规模纪录，而是交出一套别人能拆开重装的实验装置。

这件事的价值取决于后续有多少团队真的用它跑控制变量实验。【判断】模块化基础设施的收益是复利型的，装机量不够就只是又一份开源仓库。

对国内团队另有一层现实含义。论文列出的骨干里有 Wan2.1、Wan2.2 这类国产视频生成模型，默认档 5B 的性能与 14B 只差 1.40%，说明这条路线对算力预算中等的团队是够得着的。【推论】

🔭 观察线

• 第三方复跑：非参与团队用 OpenWAM-Infra 跑出的结论是否与 Study 一致，是这套设计规律能否成立的第一道关。
• 骨干换代的收益曲线：下一代视频生成模型出来后，90.14% 到 93.79% 这段区间会不会整体平移。
• 跨本体迁移的代价：80 维统一动作空间在灵巧手这类高自由度本体上的信息损失有多大。
• 真机数据占比：6400 小时里人类第一人称与机器人轨迹的比例尚未公开，这个比例直接决定"世界先验"与"可执行性"的配比。
• 三系统架构的性价比：多加一路视觉语言流换来的提升，值不值多出来的推理开销。

参考来源

1. OpenWAM 团队，《OpenWAM: An Open, Modular Exploration Towards Systematic World–Action Model Pretraining》，arXiv:2609.07398 2. 项目主页 openwam-official.github.io；代码 github.com/OpenWAM-Official/OpenWAM；模型与数据 huggingface.co/OpenWAM 3. 机器之心 Pro《七校联合开源 OpenWAM：机器人的"世界模拟器"来了》，2026-09-25 4. 对话 OpenWAM 团队：具身模型的设计洞察，2026-09 5. BestHub 对 OpenWAM-Infra 与 OpenWAM-Study 的技术拆解，2026-09-25