Sber提出GreenWAM：一套模型覆盖20类机器人，同时预测后果并做决策

AI资讯2026-10-19 21:55发布

Sber 机器人中心 Brain 团队提出世界基础模型 GreenWAM，用同一套权重同时做「动作之后世界会怎样」和「下一步该做什么」。在 WorldArena 1.0 上，其轨迹、深度和三维准确性分别为 56.0、98.2 和 93.4，高于团队所比较的世界—动作模型与视频生成模型；在真实人形装袋任务上，分布内 / 分布外成功率 95.6% 和 84.0%，高于 Cosmos 3 Edge 策略与 π0.5。论文《GreenWAM: A World Foundation Model for Robotics》已挂 arXiv（2610.18774）。

为什么要先统一 20 类本体的动作

双臂、单臂和人形即使做类似任务，原生动作表示也不通。GreenWAM 把公开数据与内部 LeRobot 格式数据收成 20 类本体，再映射到 79 个共享解剖学槽位：腿 12、身体 23（基座位姿 7、扭量 6、躯干 7、头部 3）、手臂 18、手部 26（平行夹爪一个开合坐标，灵巧手按指，并给第二指、编码器和外展留辅助槽）。

数据分阶段处理、后一阶段不改写前一阶段：先注册摄像头角色和状态布局，再切成原子子任务。纳入语料 144 万个完整子任务、1688.5 小时；质检后剩 143 万个、1674.7 小时；其中 119 万个生成了合格指令。头、左腕、右腕画面合成到同一画布，头图占主区域。世界模型在预测什么，可对照本站世界模型到底是什么。

一个模型、七种问答，再拆出动作专家

GreenWAM 从公开的 Cosmos 3 Edge 4B 检查点初始化，采用混合 Transformer、因果视频 VAE 和整流流。同一组生成器权重覆盖七种模式：未来画面、给定轨迹后的观测、由视频反推动作，以及下一步动作。训练里约四分之三的样本预测视频（可带或不带轨迹），四分之一走逆向动力学和世界—动作模式。带历史的正向动力学样本，约为带历史的图生视频样本的两倍。三摄像头片段在离线阶段合成一条视频；推理时用模型自己生成的画面当历史，被剔除的间隔和片段边界会重置历史。

做控制时，动作 token 从共享生成器里拆出，动作专家初始化为生成器塔的精确副本，因此拆分当下预测不变，之后只专门训练控制，同时保留视觉和动作知识。团队的结论是：越早拆出动作专家、并在适配时保留世界模型的多种工作模式，策略越稳。这和「世界模型训完即退场、只留下策略」是不同路线，本站此前讨论过训完就退场的世界模型。

仿真榜和真机装袋

WorldArena 1.0 赛道 1 用 15 项指标。在全部 127 个结果里，GreenWAM 的 JEPA 相似度 98.41，列第二，仅次于 BLM 的 98.49。1000 个测试片段综合分 63.31，略高于已发表的 Motubrain（63.16）和 FlowWAM-FiveAges（62.99）。

作为策略：RoboTwin 2.0 的 50 项任务、每种场景各 100 次试验，常规场景成功率 86.98%，随机化场景 48.10%，平均 67.54%。CALVIN 上平均每条任务链完成 4.64 条指令（标准误约 0.03），高于 FLOWER 的 4.53。RoboDojo 综合分 16.12、成功率 10.49%，两项都高于 π0.5、X-VLA 和 X-WAM。LIBERO 上单个策略接近该基准的专用模型，并在所比较结果里拿到最高的零样本 LIBERO-plus 成功率。

真机任务是 Green 人形把瓶子和瓶盖装袋再双手提起，拆成五条连续指令。GreenWAM、蒸馏学生模型和 Cosmos 3 Edge 每次预测 16 个动作，π0.5 预测 50 个。GreenWAM 的分布内 / 外成功率为 95.6% / 84.0%，Cosmos 3 Edge 为 88.9% / 80.0%，π0.5 为 84.4% / 76.0%；学生模型 91.1% / 80.0%，说明单步推理能减计算、仍保住大部分控制能力。

作者也写明边界：任务几何一变、长时序误差累积，或遇到训练没见过的本体，仍然会掉。统一动作接口、真机部署和更长时序预测，是他们点名的下一步。