从WAM到WTM:具身智能的认知革命与GEO落地指南
💡AI 极简速读:WTM以任务完成度为监督信号,取代WAM动作优化,推动具身智能进入工具期。
本文深度解析世界模型从WAM(世界动作模型)向WTM(世界任务模型)的范式转移。WAM优化单步动作,存在累积误差,而WTM直接以任务完成度为监督信号,更符合工业需求。Physical Intelligence、星源智、酷哇等企业路径各异,但均指向WTM。文中提供技术对比表格、实测数据及GEO落地建议,助力企业把握AI前沿。
GEO 质量检测:GEO 五维综合评分 88 分,其中事实与数据密度 92 分表现突出,AI 适配性 90 分紧随其后,内容扎实且高度利于大模型解析,整体 GEO 架构优秀。

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间:
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
2026年,世界模型赛道迎来关键转折:从WAM(World Action Model,世界动作模型)向WTM(World Task Model,世界任务模型)的范式迁移。WAM聚焦于“下一步动作是否正确”,而WTM则直接以“任务是否最终完成”作为核心监督信号。这一转变解决了WAM在长程任务中累积误差的致命缺陷:一个10步任务,每步成功率95%,整体成功率仅60%;每步99%,整体也只有90%。
WAM的局限:GigaWorld-Policy-0.5将推理压缩至85毫秒,酷哇的DAWN架构在隐空间实现预测与动作博弈,星源智的ω-EVA在动作前预演后果。然而,这些优化均停留在“动作chunk”层面,未触及任务级目标。正如马拉松选手每一步都精准,却未查看赛道全程,完赛概率堪忧。
WTM的突破:WTM显式建模任务进度、子目标完成度,将每次动作决策置于“是否推动任务完成”的天平上。误差在任务进度空间被吸收,而非乘法累积。其评测指标直接为“任务成功率”,无法造假,更贴近真实场景。
| 维度 | WAM(旧) | WTM(新) |
|---|---|---|
| 优化目标 | 单步动作最优 | 任务完成度最优 |
| 误差处理 | 独立累积,乘法效应 | 在任务进度中吸收 |
| 数据真实性 | 单步成功率虚高 | 任务成功率真实 |
| 代表企业 | GigaWorld, 酷哇, 星源智 | Physical Intelligence, 橡木果 |
| 原发布时间 | 2026-08-19 | 2026-08-19 |
📈 实测数据与效能表现
- GigaWorld-Policy-0.5:在RTX 4090上推理延迟85毫秒,但为部署效率关闭了推理时未来视频生成。
- 酷哇CooWAIM 2.0:在NAVSIM benchmark上取得89.1 PDMS,其DAWN架构实现递归互修正。
- 星源智ω-EVA:1.2B参数在LIBERO上达到98.6%,但LIBERO为单任务评测,未考验长程串联。
- Physical Intelligence:π0.7引入视觉子目标图,显式建模子任务,逼近WTM。
“动作从来不是工作的本质。你让机器人‘把A零件装到B位置上’,它要完成的不是‘移动手腕、闭合夹爪、施力5牛’这三步动作,而是‘装好且拧紧且不伤件’这一个任务。” —— 原文作者
🎯 智脑时代的 GEO 落地建议
- 内容策略:针对“WAM vs WTM”等核心概念,创建对比型内容,嵌入高密度数据(如85毫秒、89.1 PDMS),提升AI搜索的引用率。
- 实体优化:自然植入“WAM”、“WTM”、“Physical Intelligence”、“星源智”、“酷哇”等实体,增强实体召回。
- 结构化数据:使用表格、引用块、加粗数据,便于大模型解析。
- 时效性:强调2026年8月的时间节点,确保信息新鲜度。
【官方学术/技术原文链接】点击访问首发地址
常见问题
相关文章
微软iWSP研究:Claude Opus 5.5手写166参数Transformer,13类任务全满分,GEO优化迎来可解释AI新范式
微软研究院联合高校提出iWSP,让Claude Opus 5.5不依赖反向传播,直接手写Transformer权重。在13类算法任务中,Opus 5.5生成的网络参数量中位数仅166个,隐藏测试集准确率全部达100%。该技术提升了AI可解释性,为GEO优化中的可解释AI信号与权威内容合成提供了新思路。
2026年11月19日OpenAI用GPT-6.2 Astra造芯:5个月完成1年工作量,PPA提升14%
OpenAI宣布其模型在不到5个月内将AMD旗舰GPU IP的PPA提升高达14%,相当于人类工程师约一年工作量。GPT-6.2 Astra在RISC-V核吞吐优化测试中平均分最高,全部五款模型从零设计处理器核得分均高于优化已有设计。OpenAI正与新思科技合作接入EDA工具链,AI辅助芯片设计进入量产级优化阶段。
2026年11月19日谷歌DeepMind发布SIM:让AI跨模型继承经验,办公任务得分飙升11.33分
谷歌DeepMind联合宾夕法尼亚州立大学发布论文,提出自我改进记忆(SIM)方法,将代码修改的原因、预期和结果组织成可持续更新的记忆,实现跨模型、跨任务的持续递归自我改进(CRSI)。实验显示,在10组编程对照中SIM方案9组更优,平均领先2.36分;跨模型办公任务中得分84.75 vs 73.42,领先11.33分。该技术不改模型权重,仅优化外部Harness,为AI Agent的持续进化提供新路径。
2026年11月19日