WAM
PulseAugur coverage of WAM — every cluster mentioning WAM across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
EgoGenesis模拟器生成自我中心视频以促进具身AI训练
研究人员开发了EgoGenesis，一个旨在为具身AI训练生成自我中心世界动作视频的模拟器。该系统利用预训练的视频生成模型，并增强了在线锚定投影记忆（OAPM）以维持场景锚点，以及动作-3D旋转位置嵌入（A3D-RoPE）以整合动作几何。这种方法提高了生成自我中心序列的视觉保真度和动作对齐度。用EgoGenesis生成的视频增强真实世界机器人训练数据，在下游任务泛化方面取得了显著改进，尤其是在双臂操作方面。
-
ICML 2026 的世界模型：LAWM 和 WAM 融合以实现具身人工智能
ICML 2026 的研究表明，世界模型正经历范式转变，从简单的视频预测转向现实世界的控制。虽然潜在动作世界模型 (LAWM) 从视频中提供基础的物理直觉，但动作世界模型 (WAM) 在显式控制任务中卷土重来。新兴的共识倾向于混合方法，使用 LAWM 进行广泛的预训练，并使用 WAM 结合真实机器人数据进行微调，这与大型语言模型的成功相呼应。
-
新框架通过人类视频引导机器人模型
研究人员开发了WAM-TTT，一个旨在利用人类游玩视频来引导机器人基础模型（RFMs）的新框架。该方法无需额外的机器人演示或特定任务的微调即可进行适应。WAM-TTT利用自监督视频预测，将人类视频整合到冻结的世界动作模型（WAM）中的自适应记忆中，从而实现对各种操作任务的高效且可重用的引导。
-
英伟达Jim Fan：VLA和远程操控已死，世界动作模型崛起
英伟达的Jim Fan宣布视觉-语言-动作（VLA）模型和机器人远程操控的终结，并倡导世界动作模型（WAM）作为新范式。Fan提出，受大型语言模型（LLM）的启发，WAM将利用下一状态预测和动作微调来进行机器人控制。他强调，将以第一人称人类视频数据作为主要训练来源，摆脱远程操作数据收集的局限性。