UniWAM：统一世界-动作模型

arXiv 2026 34.8 method

TLDR

UniWAM整合物理推理、世界生成和动作预测，在具身评测中达到SOTA。

评分理由

The paper presents a strong unified architecture and training pipeline that jointly handles world understanding, generation, and action prediction, with practical innovations reducing denoising steps. However, the abstract lacks explicit quantitative results, detailed benchmarks, and discussion of limitations, making it hard to fully assess generalizability.

Read-first 评分解释

综合优先阅读分 34.8，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 44。

近期性 5%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

主题相关性 25%

62.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 15%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：评估

可复现性 15%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 10%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：346。

关键词评分

world model

generative world model

video world model

world dynamics prediction

interactive world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

统一架构，集成物理推理器、世界生成器和动作预测器，联合进行语义理解、视觉生成与动作预测。
为人类自我中心数据与机器人数据构建严格的数据清洗与标注流程。
将低层动作表示为自然语言，使视觉-语言组件适应具身任务同时保留其语言能力。
预训练方案将来自VQA数据、人类自我中心数据与机器人演示的互补监督分配给相应的模型组件。
后期训练中的未来视觉噪声增强降低对精确未来预测的依赖。
基于历史条件的flow matching利用编码动作历史初始化动作生成，在保持性能的同时减少去噪步数。

方法

UniWAM是一种统一架构，结合物理推理器、世界生成器和动作预测器，在经清洗和标注的人类自我中心数据与机器人数据上训练。低层动作以自然语言表示，预训练使用来自VQA、人类自我中心数据和机器人演示数据的互补监督。后期训练引入未来视觉噪声增强和基于历史条件的flow matching以减少去噪步数，并在分布内性能、鲁棒性、泛化、指令跟随和长时程任务上评估。

关键结果

UniWAM在分布内性能、鲁棒性、泛化、指令跟随和长时程任务执行方面达到SOTA性能，同时显著减少去噪步数。作者还发现了统一人-机联合训练的对数线性缩放定律。

资源

论文