企业官网建设流程全解析

EasyWAM-MoT-Wan22-LoRA-128 是 EasyWAM 项目发布的一个机器人世界动作模型（World Action Model）检查点，它基于 Wan2.2-TI2V-5B 视频骨干，使用 rank-128 的 LoRA 在 LIBERO 基准上训练。本文带你了解这个模型是什么、成绩有多强，以及如何用一条命令跑通 LIBERO 成功率评测，适合刚接触世界动作模型的新手。

🤔 这个模型是做什么的？

世界动作模型（World Action Model）的核心思路是：让模型既能"看懂"视频中的物理世界，又能直接输出机器人动作。EasyWAM-MoT 采用Mixture-of-Transformers（MoT）架构，使用两个独立的专家：

• Video DiT：负责视频建模，预测未来的视觉状态
• Action DiT：负责动作生成，输出机器人的控制指令

两类 token 通过混合自注意力（mixed self-attention）相互交互。而本项目发布的正是该架构在LoRA 微调（rank=128, alpha=128）下的检查点文件 easywam_mot_wan22_lora_128.pt，也就是说，你不需要从头训练，直接加载这个.pt文件即可在 LIBERO 上跑评测。

关键信息可以在 README.md 中查到。

📊 LIBERO 成功率成绩一览

在 EasyWAM 的 LIBERO 评测协议下，该检查点在四个任务套件上的成功率（%）表现非常亮眼：

可以看到，LoRA 版本仅用很小的参数量就保留了全参数模型约 95% 的平均成功率，这也是该检查点最有价值的地方。更多对比数据（包括 LIBERO-Plus 协议下的表现）见 README.md 的 Results 部分。

🚀 评测工作流：三步跑通 LIBERO 测试

整个评测流程分为三步：下载检查点 → 准备环境 → 运行评测命令。

第一步：下载检查点文件

仓库中的 easywam_mot_wan22_lora_128.pt 就是评测所需的权重文件。如果本地没有，可以用 Hugging Face 命令下载：

hf download OpenMOSS-Team/EasyWAM-MoT-Wan22-LoRA-128 \ easywam_mot_wan22_lora_128.pt \ --local-dir ./checkpoints

第二步：准备评测环境

评测代码位于 EasyWAM 代码库中，需要先准备好三样东西：

1. Wan2.2-TI2V-5B视频模型权重（作为视频骨干）
2. LIBERO评测环境（四个任务套件：Spatial / Object / Goal / Long）
3. dataset_stats.json：与训练时匹配的数据统计文件，用于动作归一化

具体准备方式请参照 EasyWAM 官方的 LIBERO 指南（位于 EasyWAM 代码库的docs/libero.md）。如果代码库不在本地，可以先克隆本项目仓库获取检查点：

git clone https://gitcode.com/OpenMOSS/EasyWAM-MoT-Wan22-LoRA-128

第三步：一条命令启动评测

环境就绪后，进入 EasyWAM 代码库根目录，执行评测入口脚本：

python experiments/libero/run_libero_manager.py \ task=libero_easywam_mot_wan22_lora \ ckpt=./checkpoints/easywam_mot_wan22_lora_128.pt \ EVALUATION.dataset_stats_path=<path-to-matching-dataset_stats.json>

这条命令做了三件事：

一个容易忽略的细节：加载该检查点时，EasyWAM 会自动根据任务配置创建 LoRA 模块并完成合并，你无需手动处理 LoRA 的注入逻辑。命令的详细出处见 README.md 的 Evaluation 部分。

⚙️ 检查点关键参数速查

评测前可以先确认检查点规格，避免配置不匹配。完整参数见 README.md 的 Checkpoint Details 部分：

• 架构：EasyWAM-MoT（双专家混合注意力）
• 骨干模型：Wan2.2-TI2V-5B
• 训练方式：LoRA，rank 128，alpha 128
• 训练数据：LIBERO，双相机 224 px
• 训练步数：20,000 步
• 动作维度 / 状态维度：7 / 8
• 文件格式：EasyWAM PyTorch checkpoint（.pt）

💡 常见问题与小贴士

• dataset_stats.json对不上会怎样？动作反归一化会出错，评测成功率可能异常偏低，请务必使用与训练数据匹配的版本。
• 为什么用 LoRA 版本而不是全参数版？显存和部署成本更低，且如成绩表所示，平均成功率仅比全参数低约 2.3 个百分点。
• 结果如何解读？每个任务套件通常跑 50 个任务取成功率，四个套件分别对应空间推理、物体操作、目标跟随和长时序规划能力。
• 许可证提醒：该检查点基于 cc-by-nc-4.0 许可发布，商用前请阅读 README.md 中的 License 说明。

✅ 小结

EasyWAM-MoT-Wan22-LoRA-128 提供了一个"开箱即用"的世界动作模型评测样例：MoT 双专家架构 + Wan2.2 视频骨干 + LoRA 高效微调，在 LIBERO 上取得 95.1% 的平均成功率。按照本文的三步流程——下载检查点、准备环境、运行run_libero_manager.py命令——你也能快速在自己的机器上复现这份成绩，并开始探索世界动作模型的评测工作流。