OpenWAM统一视频预测与机器人控制，发布方自测LIBERO平均成功率98.6%

OpenWAM研究团队推出世界—动作模型框架，将视频预测与机器人控制放入共同架构，支持比较“先预测画面再行动”等不同生成方式，并开放预训练视频模型权重。项目从Wan2.2-5B出发，在约334万条轨迹及录像、1.464万小时源视频上做因果预训练，仅用视频、不用动作标签，训练耗时32块NVIDIA B200 GPU运行14天。随后将50亿参数视频专家与20亿参数动作专家组成混合Transformer（MoT），支持VTA、ATV、Joint、Decoupled四种模式。仿真自测显示，VTA在四个LIBERO任务集平均成功率98.6%；在LIBERO-Long上，VTA成功率从68.4%升至97.8%，Joint从62.2%升至96.6%。真机实验使用两台Franka Research 3机械臂，执行烤面包、2×2魔方最后一层、按颜色分杯任务，VTA与Joint平均成功率分别为92.1%和91.9%。此外，OpenWAM支持独立训练逆动力学模型（IDM）和前向动力学模型（FDM），并构建LIBERO-Long-CF反事实数据集，含32,000个片段。在四个超出IDM训练集的LIBERO-90任务上，局部上下文IDM平均成功率84.0%，全上下文IDM为47.0%；反事实数据训练使RGB预测均方误差降低34.5%，识别正确未来准确率从21.1%升至71.3%。后续挑战包括动力学组件复用扩展至真机和长时程规划。