欧拉万象与港科广开源具身模型 UniWAM，揭示人机联合训练 Scaling 趋势

欧拉万象与香港科技大学（广州）联合发布了 Ola-Sem 的开源版本 UniWAM（统一世界与动作模型），模型与训练代码、预训练及后训练权重已全部开源。它试图回答的问题是：机器人能否不再把理解、预测和行动视为彼此割裂的能力，而是在一个统一架构中学习，从而减少理解与执行之间的脱节。

UniWAM 将三类组件接入统一架构：基于 Qwen3-VL-2B-Instruct 的物理推理器负责理解当前视觉场景和任务指令，提供语义信息；基于 Wan2.2-TI2V-5B 的世界生成器学习预测未来视觉变化，为操作提供动态信息；动作预测器建模连续动作的流场，生成机器人执行所需的动作片段。三者通过联合多模态注意力交换信息，使动作预测能够结合任务要求与场景动态。

这一设计意味着 UniWAM 的能力受限于所依赖的基础模型。物理推理器继承 Qwen3-VL-2B-Instruct 的语义能力，世界生成器继承 Wan2.2-TI2V-5B 的时空先验，动作预测器则在此基础上学习连续控制信号。三个组件保留各自的特征处理方式，再把不同模态的 token 投影到共同注意力空间。

团队自述 UniWAM 在 LIBERO 基准上取得 99.2% 的平均成功率，在引入多种环境扰动的 LIBERO-Plus 上取得 92.6% 的整体成功率，在 RoboTwin 2.0 随机化环境测试（C2R）中取得 68.32% 的成功率。这三项成绩的 SOTA 排名仅限定于论文对应表格所列方法中的最高值，并非对所有已发表方法的全面比较。

LIBERO-Plus 从背景、相机视角、语言指令、光照、物体布局、机器人初始状态和传感器噪声七个维度评估模型鲁棒性。团队自述 UniWAM 在机器人初始状态、语言、光照与背景四项评测中取得论文所列方法中的最高成绩，在物体布局变化评测中达到 84.6% 的成功率。

从标准环境（C2C）切换到随机化环境（C2R），团队自述 UniWAM 的成功率仅下降 6.82 个百分点，并在 C2R 测试中取得所列方法的最高成绩。这一下降幅度被用来支持模型对环境变化的泛化能力，但同样受限于论文表格所列方法的比较范围。