企业官网建设流程全解析

论文：OpenWAM: An Open Framework for Composable World-Action Models（arXiv 2610.07922，斯坦福大学，作者包括 Li Fei-Fei、Jiajun Wu、Ehsan Adeli 等，2026-10）

这篇和上一篇 NUS 等机构的 OpenWAM（2609.07398）同名，是同期工作。作者在文中明确把对方列为 concurrent work，并说明自己的关注点和对方互补。

一、研究动机

1. WAM 设计无法横向比较：DreamZero、DVA、LingBot-VA 等系统同时改变了视频主干、交互结构、监督方式和推理过程，单独比较"视频和动作怎样交互"这一个因素几乎不可能。
   • 视频和动作可以联合生成、按顺序生成，或者只通过受限的跨模态连接交互。需要一个共享的架构和评测协议，在可控条件下比较这些方式。
2. 成功示教只覆盖很小一部分动作-结果关系：示教在每个状态下基本只给出一种"正确"的后续动作。失败、探索、反事实的交互同样包含局部动力学信息，但现有方法很少利用。
3. 部件能否复用的问题：当视频预测器被适配到新任务时，原先训练好的"动作落地"部件（逆动力学模型）还能不能直接用？更宽的状态转移覆盖能不能提高这种复用性？

一句话概括：固定一个共同的视频底座，只改变"视频和动作谁先生成、能否互相看到"，同时研究如何用反事实数据训练出可复用的独立动力学部件。

二、要点概述

如图 1所示OpenWAM概述：

1. 统一的建模框架

用两种链式分解把四类部件统一起来：

• p(O⁺, A⁺ | C) =CVP（因果视频预测）×IDM（逆动力学）
• p(O⁺, A⁺ | C) =VLA（直接出动作）×FDM（前向动力学）

其中 C 是任务上下文，包括历史观测、当前帧、历史动作、本体感知和语言指令。

2. 因果机器人视频底座

• 从Wan2.2-5B出发，在约14.6k 名义小时、334 万条轨迹的视频上继续预训练，不使用任何动作标签。数据来源包括 OXE、AgiBot World、InternData-A1（占一半）、RoboCOIN、RoboMIND、FastUMI、UMI 系列和 Ego-Exo4D。
• 引入块级因果（chunk-causal）：每个未来块只能看当前和之前的块，块内仍然联合去噪。原版 Wan 不是时间因果的，这一步是在适配。
• 算力：32 张 B200 训练 14 天。

3. 可配置的视频-动作交互

• 共享 MoT 架构：5B 视频专家加2B 动作专家，动作专家用视频层按宽度适配后的副本初始化，两条流在打包的视频和动作 token 上做联合注意力。
• 四种交互程序，只改变生成顺序和"未来跨模态可见性"，主干、tokenization 和目标函数完全相同：