WAM
一种机器人控制范式，通过学习环境随动作变化的内部世界模型来进行规划与决策，强调对物理世界因果关系的建模，以实现更强的泛化能力和少样本学习
核心事实
时间轴 (近 90 天)
VLA 与 WAM 相比通用 MLLM 的关键差异在于经过动作空间对齐，输出直接落在机器人可控的指令空间内。
Harness+策略模式仍低于各组件单独运行时的逐任务性能上限，原因包括策略调用不够优化、固定指令执行缺乏子目标分解、以及智能体恢复控制时对抓取的干扰。
当智能体被允许调用后训练的 VLA 或 WAM 策略时，整体任务成功率提升至最强对比策略的水平，同时 token 成本显著降低。
贾萧松观察到VLA、WAM等引入更强视觉语言能力的模型，在部分自动驾驶基准上并不一定优于充分优化的端到端模型；真正限制模型的是能否做出正确决策，而不是认不认识某个物体。
VLA 偏向端到端模仿靠数据规模堆能力，WAM 偏向显式建模世界靠结构化推理提升泛化
WAM 支持者认为预测模型足够准确后，智能体可通过模型预测控制（MPC）或隐空间树搜索实现少样本甚至零样本运动规划，绕过对海量真实演示数据的依赖
LIBERO仿真首次在Mac上跑通长程任务，GR00T达100%成功率，WAM达98%，28亿参数的VLA小模型达96%
世界动作模型（WAMs）将预测性世界建模与动作生成耦合，使模型不仅能预测环境接下来的状态，还能据此指导智能体做出下一步动作
全部知识事实 (8)
世界动作模型（WAMs）将预测性世界建模与动作生成耦合，使模型不仅能预测环境接下来的状态，还能据此指导智能体做出下一步动作
75%待验证Harness+策略模式仍低于各组件单独运行时的逐任务性能上限，原因包括策略调用不够优化、固定指令执行缺乏子目标分解、以及智能体恢复控制时对抓取的干扰。
50%待验证VLA 与 WAM 相比通用 MLLM 的关键差异在于经过动作空间对齐，输出直接落在机器人可控的指令空间内。
50%待验证当智能体被允许调用后训练的 VLA 或 WAM 策略时，整体任务成功率提升至最强对比策略的水平，同时 token 成本显著降低。
50%待验证贾萧松观察到VLA、WAM等引入更强视觉语言能力的模型，在部分自动驾驶基准上并不一定优于充分优化的端到端模型；真正限制模型的是能否做出正确决策，而不是认不认识某个物体。
50%待验证WAM 支持者认为预测模型足够准确后，智能体可通过模型预测控制（MPC）或隐空间树搜索实现少样本甚至零样本运动规划，绕过对海量真实演示数据的依赖
50%待验证VLA 偏向端到端模仿靠数据规模堆能力，WAM 偏向显式建模世界靠结构化推理提升泛化
50%待验证LIBERO仿真首次在Mac上跑通长程任务，GR00T达100%成功率，WAM达98%，28亿参数的VLA小模型达96%
50%