斯坦福Fei-Fei Li团队发OpenWAM 视频想象和动作控制首次可拼装

## 核心要点 斯坦福 SVL（视觉与学习实验室）10 月 6 日发布 OpenWAM（Open World-Action Models），把『机器人大脑』拆成两个独立可替换的模块：负责『想象未来画面』的视频基础模型、负责『把想象变成动作』的动作专家，两者通过共享的 Mixture-of-Experts 架构对话。作者团队包含李飞飞（Fei-Fei Li）、Jiajun Wu、Ehsan Adeli 等。 ## 解决什么问题 具身智能长期存在"评估难"问题——每个团队的 WAM 都用不同 backbone、不同数据集、不同训练配方，根本没法横向对比。OpenWAM 把视频编码器、视频-动作交互方式、动力学模块独立解耦，让研究者可以只换"动作专家"或只换"视频底座"，看到底是哪部分在起作用。 论文还指出一个被忽视的现象：成功演示轨迹只覆盖"示范者选过的动作"，大量"动作-结果"关系根本没被学到。OpenWAM 因此允许独立训练的反向动力学模块（IDM）跨任务复用，从失败的轨迹里也能学到东西。 ## 技术拆解 - 起点是 Wan2.2-5B 视频生成模型 - 在 14.64k 小时、约 334 万条轨迹上做"无动作标签"的因果机器人视频预训练 - 数据集横跨 Open X-Embodiment、AgiBot World、Ego-Exo4D、InternData-A1、RoboCOIN、RoboMIND、UMI 系列等 7 个家族 - 测试了 4 种视频-动作生成顺序：VTA（先视频后动作）、ATV（先动作后视频）、Joint（联合双向注意力）、Decoupled（解耦无跨模态） ## 关键成绩 - 烤面包 + 2×2 魔方收尾任务平均成功率约 92% - 在 LIBERO-Long 基准上，Decoupled 拿到 97.0%，Joint 96.6% - 跨八项仿真基准和真机实验，覆盖单臂、双臂、灵巧手三种 embodiment ## 行业意义 这是继英伟达 6 月在博客里提出"世界动作模型"概念之后，第一个把它做成"开源积木"的学术项目。研究者不再需要每次都从视频底座重新训练，机器人公司也可以挑出合适的视频预测器即插即用。论文和代码全部开源在 GitHub（OpenWAM/OpenWAM）。 ## 参考来源 1. [Stanford OpenWAM 项目页](https://openwam.stanford.edu/ 2. [arXiv 论文 2610.07922](https://www.alphaxiv.org/abs/2610.07922 3. [OpenWAM GitHub 仓库](https://github.com/OpenWAM/OpenWAM 4. [Hacker News 讨论](https://news.ycombinator.com/item?id=49987679 5. [arXiv HTML 全文](https://arxiv.org/html/2610.07922v1 6. [英伟达《世界动作模型崛起》](https://developer.nvidia.com/blog/pretrained-to-imagine-fine-tuned-to-act-the-rise-of-world-action-models/ 7. [Hugging Face 论文页（OpenWAM-α 版本）](https://huggingface.co/papers/2609.07398