李飞飞团队开源世界动作模型框架 OpenWAM
AI 总结
斯坦福大学李飞飞、吴佳俊、Ehsan Adeli 等团队发布论文，提出开放的世界动作模型框架 OpenWAM，试图统一当前世界动作模型（WAM）中视频预测与动作生成的各种耦合方式。该框架基于阿里开源视频模型 Wan2.2-5B 继续预训练（约 334 万条机器人与人类交互视频、名义时长约 1.46 万小时，在 32 块 B200 上训练 14 天），用共享 Mixture-of-Transformers 架构拼接 5B 视频专家与 2B 动作专家，并定义 VTA、ATV、Joint、Decoupled 四种交互程序。团队报告在 LIBERO 四个子集上 VTA 平均成功率 98.6%，真机双臂任务（烤面包、还原魔方最后一层、按颜色分拣杯子）VTA 与 Joint 平均成功率分别为 92.1% 和 91.9%，同时构建了含反事实动作的 LIBERO-Long-CF 数据集，并已开源训练、评测与组合代码及预训练视频模型权重。
深度见解
在 WAM 论文密集涌现的当下，固定底座、只改单一变量的公共试验台有助于把比较从「谁的分更高」转向「为什么更高」，可拆分复用的动作模块也指向更易迭代的机器人大脑设计。