具身智能新手名词表English世界动作模型
World Action ModelWAM常用同时预测未来画面和机器人动作，用对世界的预测来指导动作的模型。
世界动作模型这个名称由 NVIDIA 2026 年 2 月的 DreamZero 论文正式提出：凡是利用世界建模能力（预测未来状态）来预测动作的模型都叫 WAM，此前的 GR-1、UWM、Cosmos Policy 等视频-动作联合模型也被归入其中。典型做法是以预训练视频生成模型为骨干，加上动作输入输出，训练时同时预测未来视频和动作。和从视觉语言模型出发的 VLA 相比，它从视频里学物理动态，DreamZero 报告对新任务、新环境的泛化比当时最好的 VLA 高一倍多。不叫视频动作模型，是因为预测对象将来也可以是触觉或力。未决问题是推理时是否真要生成未来画面：Fast-WAM 只在训练时联合预测视频、推理时跳过，效果相近而快 4 倍以上。
例子DreamZero 以 Wan2.1 图生视频 14B 模型为骨干，输入相机画面和语言指令，同时生成未来视频和动作，在真机上以 7Hz 实时控制。
- 也叫
- World-Action Model、视频动作模型、Video-Action Model、VAM
- 相关
- 视觉-语言-动作模型、世界模型、视频生成模型、DreamZero、Fast-WAM、视频预测策略
- 来源
- World Action Models are Zero-shot Policies (DreamZero, arXiv 2602.15922)
Fast-WAM: Do World Action Models Need Test-time Future Imagination? (arXiv 2603.16666) - 信息截至
- 2026-03