斯坦福开源 OpenWAM：把世界动作模型拆成可组合的程序，LIBERO-Long 迁移成功率升到 97.8%
斯坦福 SAIL / SVL / STAI 与机器人中心（作者含李飞飞、吴佳俊、Ehsan Adeli）把 OpenWAM 的论文 v1 放上 arXiv（10 月 6 日）：一个把「预测未来」与「生成动作」放进同一套可配置框架的世界动作模型（WAM）工作台。底座取自开源视频模型 Wan2.2-5B，先在超过 1 万小时机器人视频上做因果预训练，再用共享的 Mixture-of-Transformers 接上动作专家；视频与动作的生成顺序被做成四种「交互程序」——联合生成、先视频后动作、先动作后视频、完全解耦，靠配置切换。
它对准的是 WAM 的老问题：每个系统同时换骨干、换交互结构、换监督方式与推理流程，很难说清究竟哪一处在起作用。论文给出的对照是——因果机器人视频训练把 LIBERO-Long 上「视频-动作」成功率从 68.4% 提到 97.8%；换到新任务时只适配视频预测器，配一个冻结的局部上下文逆动力学模型（反事实数据加演示），在四个留出的 LIBERO-90 任务上平均成功率 84.0%，而全上下文逆模型是 47.0%、只用演示训练的局部上下文模型是 21.5%。
前向动力学同样吃反事实监督：RGB 预测误差降 34.5%，在 16 个同状态结果上的识别率从 21.1% 升到 71.3%。代码与视频预训练权重分别放在 GitHub 与 Hugging Face（仓库 AGPL-3.0）；该框架的 SDK 自 9 月初的 0.1.0 / 0.2.0 alpha 起已公开，本次随论文一同放出的官方研究页补齐了交互程序、基准与动力学实验，策略检查点与数据集仍标「准备中」。
核验记录
arXiv 2610.07922 页面直读 44,564 字节，citation_date 与 citation_online_date 均为 2026/10/06；官方研究页 https://openwam.stanford.edu/ 直读 200 / 58,639 字节，页内「Paper v1 · October 6, 2026」与 arXiv 同日（两处独立字段互证）。基准与动力学数字全部取自官方页摘要与正文（官方自测），未逐表回原论文核对。发布状态如实分层：框架 SDK 与 HF 视频预训练权重 9 月初即已公开（GitHub OpenWAM/OpenWAM 建仓 2026-06-08、release v0.1.0 为 2026-09-07、v0.2.0 为 2026-09-17；HF OpenWAM-Stanford/OpenWAM-Pretraining createdAt 2026-09-08T01:16Z、lastModified 09-14T06:02Z、downloads 0 / likes 1），本次新增的是论文 v1 与官方研究页；README 明写策略检查点与 OpenWAM 数据集仍在准备。配图取页内机器人演示视频的封面 jpg，裸请求与带站内 Referer 各一次均 200 / 5,272 字节 JPEG 480×270（file 校验）；官方页无 og:image，GitHub 社交缩略图不可用（喂一个不存在的 owner 同样返回同一张 58,342 字节图，是通用兜底图）。