企业官网建设流程全解析

论文：“EVO-WAM: Evolving World Action Models through Video-Action Verification”。

2026年9月，来自哈工大（深圳） 、深圳理工大学、清华大学、京东、香港科技大学、北京大学、上海交通大学、香港科技大学（广州）、 香港大学 、加拿大不列颠哥伦比亚大学、 香港中文大学和 香港中文大学（深圳）等。

一、要解决的问题

世界动作模型（WAM，如 Cosmos3、DreamZero）会根据当前观测、机器人状态和指令，同时生成未来视频和动作。作者观察到这类模型在没见过的任务上偶尔能成功，说明视频先验里有可用的知识，但有两个问题：

1. 视频不稳定：同一初始条件下，生成的视频有时完成任务，有时失败。
2. 视频和动作对不上：视频里任务完成了，配套的动作真执行起来却会失败（附录 Fig.11 的例子：视频里订书机被放上秤，用仿真回放同一串动作，订书机还留在桌上）。

核心问题是：能否不收集新示教、不在环境里执行动作，只靠 WAM 自己生成的轨迹，提升它在新任务上的表现？

二、方法：生成 → 验证 → 改进，迭代循环

如图2 所示EVO-WAM概览：

1. 支持完整的自回归 rollout（Sec 3.1）

正常闭环控制时，WAM 每执行一段动作都会拿到新的真实观测。要做"纯想象"的完整轨迹，模型得自己提供下一段的输入条件：

• 状态预测：让 WAM 额外预测每个 chunk 结束时的机器人状态 ŝ⁺ₖ，作为下一段的状态输入。
• 锚定多帧上下文：条件 hₖ = (z₀, Tailₘ(V̂ₖ₋₁), ŝ⁺ₖ₋₁)。初始帧 z₀ 作为全局锚点一直保留（类似 attention sink），再加上最近 m 帧生成的 latent 提供运动历史。附录 Fig.13 显示，有了它，物体被遮挡后不会凭空消失。
• 基础训练和每轮自训练都同时用"初始化"和"续写"两种模式训练。

2. 两阶段验证（Sec 3.2，核心）

• 阶段 A：用 VLM 判断任务是否完成（Qwen3.8-Flash-Next）
  • 先"描述"再"判断"：第一次调用不给任务指令，只描述物体、空间关系和夹爪状态；第二次结合指令和当前子目标，检查四项：目标达成、夹爪已释放、物体一致、机器人结构一致。四项全过才算 Accept。
  • 子目标顺序扫描：在预设的时间点上依次检查 g₁…g_M，每个子目标的完成时刻取第一次 Accept 的时间点 tⱼ，最终截断点 t_v = t_M，只保留成功前缀，丢掉后面的部分。
  • 端点投票：IDM 检查通过后，每个端点再做两次独立评估，三次里至少两次 Accept。
• 阶段 B：用 IDM 检查视频与动作是否一致
  • IDM 是用 Wan2.2 权重改出来的约 0.9B 模型，只做动作去噪（flow matching），输入视频窗口、起始状态和指令，从视频反推动作。
  • 把 IDM 反推的动作和 WAM 生成的动作在归一化空间里算 MSE，按窗口加权平均得到 E(t_v)；E(t_v) ≤ η 才通过。
  • η 用已见任务（或 DROID）离线数据误差的 P90 / P99 标定，之后各轮固定不变。
  • IDM 训练数据同时包含成功和失败的执行，因为失败的轨迹里，"动作导致了画面变化"这一对应关系同样成立。

3. 迭代自训练（Sec 3.3）

θr ← SFT(θ{r−1}; D_base, D₁, …, D_r)：把原始数据和历次验证通过的前缀累积混合（真实数据与生成数据 1:1）做 SFT，用新模型生成下一轮候选。本质上是 STaR / 拒绝采样微调在具身 WAM 上的版本。

三、实验结果

关键消融（Table 4、Table 11）：

• 只用 VLM：43.7%；VLM + IDM：68.0%；VLM + 仿真器（执行验证，相当于上界）：72.7%。IDM 拿到了执行验证大部分的收益。
• 换成较小的 Qwen3.5-27B 做验证：65.7%，对 VLM 的选择比较稳健。
• 加入 IDM 后，验证器的 precision 从 68% 升到 86%，FPR 从 12.8% 降到 3.0%，但 recall 从 64% 降到 44%。
• 只用最新一轮数据（不累积）时，R2 之后性能下降（60.5 → 53.6）。累积历次数据很关键。

四、主要贡献

1. 把 WAM 的"自我想象"变成训练数据。以往方法要么用独立的世界模型给 VLA 造数据（DreamGen、VLAW、WMPO），要么用 WAM 回放已学过的任务来防遗忘（ReGen）。这篇首次让 WAM 用自己生成的视频-动作对，在未见任务上自我提升，全程不需要新示教，也不在环境里执行动作。
2. 点明并量化了"视频成功 ≠ 动作成功"，并给出可行的解法：IDM 一致性检查。这是对"只看视频好不好"这类过滤方法的重要修正。Table 4 和 Table 11 的数据很有说服力，验证器可靠性分析（precision/FPR）也做得比较扎实。
3. 工程上让完整的开环自回归 rollout 可行：状态预测加初始帧锚点，方案简单有效。
4. 跨骨干验证：Cosmos3 和 DreamZero 都有效，真机提升明显，旧任务几乎不遗忘。
5. 细节透明：阈值、每轮保留的前缀数、扫描窗口、真实与生成数据的比例都写了出来，复现性较好。

五、不足与可质疑之处

方法层面

1. 只能放大已有能力，难以发现新能力。自训练的上限受基础模型生成分布的约束。如果初始成功率接近 0，就很难产出能通过验证的样本。作者自己也承认，DreamZero 在 place cup 和 stack blocks 上提升有限，原因可能是候选里本来就缺少有用的行为。它更像是"锐化"已有分布，而不是 RL 意义上的探索。
2. IDM 检查的是"一致"，不是"物理上可行"。如果视频本身违反物理（比如物体被瞬移、穿模），而动作恰好和这段视频一致，IDM 也会放行。另外，IDM 和 WAM 都基于视频扩散预训练（Wan / Cosmos），可能有相关的误差模式。IDM 只在已见任务上训练，在新任务上的可靠性也没有单独分析。
3. recall 低、样本效率差。真机 R1 生成了 5,900 条候选，只保留 33 条（约 0.56%）。论文没有报告生成、VLM 调用和 IDM 推理的算力与时间开销，而这对"不采数据"这个卖点是关键的对比项。
4. 存在隐性的人工设计。每个任务要人工拆分子目标、设定扫描时间窗（比如叠碗是 7–17s 和 17–33s），VLM 的检查项也是定制的（比如开抽屉不要求释放夹爪）。这其实是一种任务级的先验或监督，削弱了"全自动"的说法。还需要每个场景的真实初始观测。
5. 没有停止准则。Cosmos3 在 R3 出现回退，真机 R2 和 R4 一样。在没有真实评估的情况下怎么判断该停在哪一轮，论文没有讨论。不累积数据时会出现明显退化，说明自训练存在漂移或塌缩的风险。

实验层面

1. 主表在"训练场景"上评估。Table 1 用的正是自生成时的场景配置，等于在适应集上测试。新场景泛化（70.4%）部分缓解了这个问题，但只给了 Cosmos3 的结果，DreamZero 没有。
2. 缺少同类方法的对比。基线都是"在新任务上没有任何适应"的模型，没有对比 DreamGen 式伪动作标注、Vid2WAM、RoboCurate（同样做动作验证）、世界模型内的 RL（WMPO/RISE），也没有"少量示教微调"作为参照。所以只能说明它比"什么都不做"强很多，没法说明它在自改进方法里的相对位置。
3. 真机评估规模小。只有 3 个任务，每个 10 次试验，置信区间很宽。Table 2 选的是 R2（与 R4 并列最优）。评估布局和生成用的布局相同（只是重新摆放）。只测了 Cosmos3 和单一 Franka 平台。
4. 没有统计显著性。没有多随机种子，也没有误差条。
5. "未见任务"的定义偏宽松。仿真里的 7 个任务和 43 个已见任务在技能上（抓取、放置、堆叠）高度重叠，更接近"新组合 / 新物体"，而不是全新技能。真机的"未见"也依赖于 DROID 的覆盖范围。

六、总结

EVO-WAM 的思路很清晰：WAM 能同时生成"数据"和"标签"，配上一个可靠的验证器，就能形成自举闭环。其中真正的亮点是 IDM 一致性验证。它用便宜的离线模型逼近了仿真执行验证的效果（68.0% 对 72.7%），这让方法能用在没有仿真器的真实场景。主要局限在于：上限受初始模型的探索能力约束，生成和验证的开销大、依赖人工设计的子目标，对比实验只针对"无适应"的基线。后续值得做的方向：加入主动探索（比如提高采样多样性、或少量真实执行反馈），给出算力开销和自动停止准则，以及在更多机器人平台和差异更大的新任务上验证。