B标准51
NVIDIA Developer Blog
1 个来源超越VLA：世界动作模型如何重塑机器人操作
本文探讨了机器人操作中泛化能力的关键挑战，提出超越视觉-语言-动作模型（VLA）的世界动作模型（World Action Models）概念。这些模型旨在通过理解任务背后的物理规律而非简单模仿演示，来提升策略在物体形状、位置或光照变化下的泛化能力。文章强调了世界模型作为机器人策略骨干的重要性。
返回信息流
新闻事件
SynthePulse Insight · AI 深度解读会员精读
世界行动模型：从“描述世界”到“预测世界”的机器人策略革命
版本 1 · 1 个来源
当视觉语言模型（VLM）擅长描述世界却无法预测其演化时，世界行动模型（WAM）以视频世界模型为骨干，为机器人策略带来物理泛化能力，实现零样本迁移。NVIDIA Cosmos 3 作为开放基础模型，正推动这一转变从研究走向多层级部署。
- WAM 以视频世界模型为骨干，而非 VLM，因此能学习物理动态，实现零样本迁移到新任务、机器人和环境。
- NVIDIA Cosmos 3 采用 Mixture-of-Transformers 架构，训练数据包含约 7.67 亿张图像、3.48 亿个视频和 800 万个动作样本。
- 基于 Cosmos 3 的 DROID 策略在 RoboLab 成功率从 28.1% 提升至 36.8%，证明物理先验带来的增益。
展开章节目录VLA 的局限与 WAM 的兴起
VLA 的局限与 WAM 的兴起
传统机器人策略依赖预训练的视觉语言模型（VLM）作为骨干，形成视觉-语言-动作（VLA）模型。VLM 优化目标是生成图像描述，而非预测场景演化，因此 VLA 在语义泛化上表现良好，但在物理泛化上不足——当物体形状、位置或光照变化时，策略可能失效。
世界行动模型（WAM）将骨干替换为视频世界模型，直接建模世界如何演化。NVIDIA 研究员 Jim Fan 在演讲中提出“VLAs 已死，世界行动模型万岁”，这一观点被总结为行业趋势。WAM 的核心优势在于，后训练无需从零学习动态，而是基于已有的物理先验进行特化。
可信度边界
本文信息主要来自 NVIDIA 官方技术博客，属于厂商分析，部分数据（如 RoboLab 成功率）来自其技术报告，未经独立验证。文中“VLAs 已死”等表述为观点，非事实。
主报道
NVIDIA Developer Blog
主报道来源