视频模型能生成“拿起杯子”的画面，机器人就知道该怎么动了吗？OpenWAM把这个问题拆开做了系统实验。

这篇来自新国大、清华、北大等高校的工作，我最想记住3点：

① 一起预测，不等于有效合作。
在RoboTwin2.0-Full消融里，两分支隔离时平均成功率87.41%；让动作读取世界特征后达到92.39%。最终方案采用双向注意力，让世界与动作分支同步去噪。

② 预训练更大的收益在陌生场景。
600小时预算的对照中，人类视频＋机器人数据联合预训练，让OOD成功率从14.50%升至26.62%，增加12.12个百分点；ID只增加0.68个百分点。这组数字不是最终约6400小时模型的结果。

③ 真机有提升，也要看适用范围。
最终OpenWAM-α在单臂六任务、每项20次的测试中，成功99/120次（82.5%），对照LingBot-VA为77.5%。但并非每项任务都领先。

也别急着宣布WAM赢了VLA：论文中LIBERO-Plus的OpenWAM-α为69.2%，Qwen-RobotManip为89.0%。数据与训练设置不同，不能据此简单判定路线优劣。

我更看重它把骨干、表征、信息流和数据配方拆成了可比较的实验。研究WAM，到底该先改模型，还是补数据？

图文含论文原图；解读基于2026年9月7日v1预印本。
论文：arxiv.org/abs/2609.07398
项目：openwam-official.github.io
#具身智能 #机器人马拉松 #世界模型 #论文解读 #人工智能 #OpenWAM