OpenWAM:正确答案会随规模变

一句话判断

OpenWAM:正确答案会随规模变

论文解决什么问题

世界动作模型(WAM)的核心假设是"世界预测和动作生成能协同学习"，但既有工作大多是单体式系统——生成骨干、视觉表示、架构、信息流、训练数据这些设计维度紧密耦合，很难拆开单独验证哪个选择真正起作用。有用的知识可能散落在上游视频模型的不同部位，名义上的联合预测也未必真打通了有效信息通路。

核心方法

把WAM设计拆成模块化组件，逐个做受控实验，再把结论沉淀成一份配方
↳ 骨干容量越大越好但边际收益递减，最终选5B做默认；潜在空间质量的关键不是重建式vs表征式编码器的类别之争，是表示本身够不够紧凑、信息够不够丰富
↳ 世界流必须能被动作流看到，反过来影响很小；同步去噪明显优于任何异步方案
↳ 反直觉发现：从零训练时单向可见和双向互通几乎打平，具身预训练之后同一套协议明确转向偏好双向互通，分布内外都一致——数据规模够了，两个流才能可靠建立起双向对应关系，"正确"的架构选择本身会随数据规模改变

实验结果

· 最终模型OpenWAM-α在8个仿真基准里6个位居顶尖(移动双臂基准直接拿SOTA)，真机上在预训练数据完全没见过的本体上依然明显超过π0.5
· 作者自报:双臂真机基准RoboDojo-Real(18项任务,覆盖三种双臂本体)上登顶第一，单臂和灵巧手真机也稳定超过代表性WAM/VLA基线
· 唯一明显掉队的是LIBERO-Plus，损失集中在相机和噪声扰动——像素级未来预测天然对视觉扰动敏感，这次的预训练数据配方没能完全补上
· WAM和VLA没有谁全面碾压谁：分布内WAM靠视频潜在监督拟合更紧，分布外VLA泛化更好，两边短板都能靠更大更多样的数据弥补

这篇论文不是什么

· 不代表小规模受控实验的结论能直接套用到大规模场景——信息流该单向还是双向这个"正确答案"本身会随数据规模反转
· 不代表OpenWAM-α全面碾压——LIBERO-Plus上的具体短板是作者主动指出、如实报告的，不是回避不谈
· 不代表WAM和VLA哪个范式该被淘汰——两者是互补优势区间，不是选边站的问题

对机器人 / 世界模型 / VLA 的启发

"结构/架构优势需要数据规模门槛才会显现"这条线，之前在HyperWorld和PRISM身上都单独验证过；这次OpenWAM给出了更精确的版本——不是"优势消失"，是"优势方向本身发生反转"，同一个问题在小数据和大数据下的最优答案截然不同。另外，OpenWAM主动报告LIBERO-Plus的具体短板，这个坦诚的态度和已经解读过的SLIM如出一辙——SLIM也没回避自己在背景变化这一项上输给基线，两篇论文都把"哪里不如人"讲得和"哪里领先"一样清楚。

论文关键页