李飞飞团队提出 OpenWAM，统一世界动作模型建模框架
斯坦福李飞飞团队开源 OpenWAM：用共享底座加四种可切换的交互方式，把世界动作模型的设计变量拆开比较
以 FLUX 图像模型闻名的 Black Forest Labs 跨界发布开源 7B 世界动作模型 FLUX 3 Action，在英伟达 RoboLab-120 榜单上超过参数量近两倍于它的 Cosmos 3 Nano，说明视频模型积累的物理直觉正被当作机器人大脑的底座。斯坦福李飞飞团队随后发布 OpenWAM 框架，试图厘清这类系统中究竟是哪些设计带来提升。
正文摘录
.jpg) 编辑｜Panda 9 月 22 日，以 FLUX 图像模型闻名的 Black Forest Labs 跨界发布了开源 7B 世界动作模型 FLUX 3 Action。据其官方博客，该模型在英伟达 RoboLab-120 榜单上超过了此前最强的开源模型 Cosmos 3 Nano，参数量却不到后者一半。一家做图像生成的公司跑来卷机器人控制，说明 视频模型里积累的「物理直觉」正被越来越多的团队当作机器人大脑的底座 。 这条路线即所谓 世界动作模型（World-Action Model，WAM） 。自今年 2 月英伟达在 DreamZero 论文中明确提出这一术语以来，相关论文快速涌现。但热闹背后有个尴尬的问题：这些系统几乎都同时换了视频骨干、训练数据、视频与动作的交互方式和推理流程，谁也说不清究竟是哪个设计带来了提升。 本周，斯坦福大学李飞飞、吴佳俊、Ehsan Adeli 等人的团队发布论文，提出开放的世界动作建模框架 OpenWAM ，试图给这个问题一个系统性的回答。  OpenWAM 框架总览：三阶段训练、共享 MoT 架构、四种可配置交互方式，以及可冻结复用的局部动力学模型。