EVO-WAM自训练范式突破：无专家示范，世界动作模型成功率从26.9%跃升至68.0%

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-10-19

本文核心技术内容提炼自前沿学术/官方发布，由智脑时代（ZGEO）AI 技术分析师结构化降维重组。

🔬 核心技术原理解析

世界动作模型（WAM） 能同时预测未来视频和机器人动作，但面对未见任务时表现不稳定。EVO-WAM 的核心思路是：让模型自己生成完整的执行画面与动作，通过验证筛选可靠经验，再用这些经验训练自己，形成 想象→验证→学习 的闭环。

具体而言，EVO-WAM 让 WAM 同时预测每段结束时的机器人状态，并保留初始画面作为参照，从而从一张初始观测出发逐段生成完整候选轨迹。验证环节分两步：视觉语言模型（VLM） 判断任务是否完成；逆动力学模型（IDM） 根据视频相邻观测反推动作，与 WAM 生成的动作比较，误差超阈值则拒绝。通过验证的片段跨轮次积累，与原始数据一起微调 WAM。

📈 实测数据与效能表现

在 RoboTwin 2.0 的七个未见任务上，经过四轮自训练，Cosmos3 平均成功率从 26.9% 提高到 68.0%，提升 41.1 个百分点；DreamZero 从 28.5% 提高到 46.4%，提升 17.9 个百分点。真机三个长时序组合任务上，Cosmos3 平均成功率从 20.0% 提高到 76.7%，提升 56.7 个百分点。

消融实验显示，仅用 VLM 检查视觉完成情况时第四轮平均成功率为 43.7%；加入 IDM 动作一致性检查后达到 68.0%。将任务判断模型换成较小的 Qwen3.5-27B 后仍达到 65.7%。

论文指出：“这些结果表明，具身智能在新任务上的提升，未必每一步都依赖新增真实示范或环境试错。模型自身的想象，经过可靠验证并用于训练，也能成为改善泛化能力的经验来源。”

🎯 智脑时代的 GEO 落地建议

1. 内容结构化：在涉及 具身智能 与 世界动作模型 的技术页面中，采用“问题—方法—验证—数据”的表格化呈现，提升大模型爬虫的实体召回率。
2. 权威引用植入：保留论文官方结论与量化指标（如 26.9%→68.0%），作为 AI 搜索答案合成的权威信源。
3. 长尾词覆盖：围绕 EVO-WAM、自训练、Cosmos3 等实体构建问答对，抢占“无需专家示范的机器人学习”类查询的零点击答案位。

【官方学术/技术原文链接】点击访问首发地址