七所高校联合开源世界动作模型OpenWAM

9月24日，新加坡国立大学、清华大学、北京大学等七所高校的研究团队联合开源了面向世界动作模型（World-Action Model, WAM）的开源研究全栈与基座模型OpenWAM。

OpenWAM包含三部分：模块化基础设施OpenWAM-Infra、设计规律研究OpenWAM-Study以及基座模型OpenWAM-α。研究团队同时公开了论文、代码、模型与数据，旨在为世界动作模型研究提供可复现的共同起点。

OpenWAM的核心思路是将视频生成模型与世界动作模型结合，让模型在理解环境如何随时间演化的同时，学习如何通过动作改变未来。研究团队将问题拆解为三个层次：什么知识值得继承、世界建模与动作学习如何协同、以及这种协同如何跨数据域和具身形态扩展。

OpenWAM-Infra定义了可组合模型、训练运行时、部署运行时和评测协议，支持单系统、双系统和三系统架构，使研究者可以独立替换设计变量。OpenWAM-Study通过受控实验提炼出关键设计原则：充足的生成式世界先验、紧凑的信息丰富的视觉表征、明确的世界到动作信息流，以及跨域具身预训练，是构建高性能WAM的关键。

OpenWAM-α基于上述原则构建，使用Wan2.2-TI2V-5B作为视频流骨干，配置1B参数的ActionDiT处理动作流，采用80维统一动作空间以支持多种机器人形态。预训练数据涵盖人类第一视角视频、真实机器人和合成机器人数据，实际训练集约5.185亿帧、6369小时。

在八个仿真基准上，OpenWAM-α在EBench上达到当前最佳，并在真实机器人实验中验证了跨形态泛化能力。研究团队指出，未来仍需更大规模、更多样且带精确动作标注的具身数据，以及更稳健的视觉表征。