来自Sber机器人中心Brain团队的研究提出机器人世界基础模型GreenWAM，在WorldArena 1.0基准测试中，在轨迹预测、深度估计和三维预测准确性方面达到了领先水平。
世界基础模型通过大规模视频数据学习场景的演化规律，而世界-动作模型则利用这些知识，联合预测观测结果与动作。如何让机器人既能预测行动的后果，又能据此作出正确决策，同时适应不同形态的机器人本体，仍是具身智能研究的重要方向。
统一动作空间：20类机器人纳入训练
GreenWAM构建了一套覆盖20类机器人本体的训练数据，整合公开数据与内部采集的LeRobot格式数据。通过数据注册、切分和质量筛选，得到143万个原子样本，总时长1674.7小时。统一动作空间由79个共享的解剖学动作槽位构成，分为四组：腿部12个、身体23个、手臂18个、手部26个。
核心设计：视频-动作联合建模
GreenWAM的核心设计是将世界建模与动作生成纳入同一个基础模型框架。以Cosmos 3 Edge 4B检查点为基础，采用混合Transformer架构，将推理器与生成器相结合。
基准测试表现突出
在WorldArena 1.0基准测试中，GreenWAM的轨迹准确性、深度准确性和三维准确性得分最高，分别为56.0、98.2和93.4。研究团队进一步将GreenWAM适配到真实人形机器人上，实验结果显示其在实际任务中取得了更高的成功率。
参考来源：原文链接