GreenWAM：让同一个机器人基础模型既能预测世界，也能执行动作

导语

机器人要在现实环境中完成任务，通常需要两类能力：一类模型预测“采取某个动作后，场景会如何变化”，另一类策略模型决定“下一步应该做什么”。过去，这两种能力往往分开训练，且不同机器人使用各自的动作表示，使模型难以跨平台迁移。论文提出的 GreenWAM，试图把世界模型和控制策略放进同一个基础模型框架。

核心思路

GreenWAM的关键不只是扩大训练数据，而是先解决不同机器人之间的“语言不通”问题。

• 共享动作空间：研究团队设计了统一的解剖学动作表示，用共同的关节坐标描述20类机器人，覆盖双臂机器人到灵巧人形机器人。这样，模型学习到的动作变化不再局限于某一种机械结构。
• 多模式联合训练：模型同时接受视觉、动作条件和世界—动作模式的训练。它既要理解当前画面，也要预测动作导致的未来状态，并进一步建立观察、动作与结果之间的联系。
• 分离动作专家：在作为世界模型时，GreenWAM负责生成或预测未来；在作为策略时，则从生成器中分离出动作专家，用于根据当前状态选择控制动作。这种设计保留了统一表示，同时兼顾控制效率。

实验表现

在世界模型评测中，GreenWAM在 WorldArena 1.0 的轨迹、深度和三维准确性方面达到较高水平，论文称其超过对比中的世界—动作模型和视频生成模型。作为策略模型，它进入 RoboTwin 2.0 的领先行列，在对比方法中取得 LIBERO-plus 零样本成功率最高的结果之一，并在 CALVIN 和 LIBERO 上与专门的视觉—语言—动作模型及世界—动作策略保持竞争力。

研究还将模型适配到真实人形机器人。根据论文摘要，GreenWAM的成功率高于由 π0.5 和 Cosmos 3 Edge 适配而来的策略；同时，团队把模型蒸馏为单步策略，以满足实时控制需求。需要注意的是，素材没有提供各项任务的具体分数、硬件配置和统计显著性，因此这些结果更适合作为方向性判断，而不是完整的横向结论。

意义与局限

GreenWAM的价值在于，它把“预测未来”和“做出决策”视为同一套机器人表征的两个使用方式。统一动作空间可能降低跨机器人训练与迁移的门槛，也为从大模型世界预测能力中提取轻量控制策略提供了路径。

不过，跨20类机器人并不意味着模型已经具备普适的现实操作能力。不同机构的传感器、关节限制、控制频率和数据质量仍可能造成迁移差异；而摘要也没有说明训练规模、模型成本及长期部署稳定性。后续评估需要更多真实机器人、复杂接触任务和公开细节，才能判断这类“世界模型兼策略”的架构能否成为通用机器人基础设施。

来源：Hugging Face Daily Papers