OpenWAM é um framework de modelagem mundo-ação aberto que permite comparar escolhas de design em previsão e controle fornecendo uma base comum de vídeo-robô causal. Construído a partir do Wan2.2-5B, ele realiza pré-treinamento causal em mais de 10.000 horas de vídeo (3,34 milhões de trajetórias) e integra um especialista em ação através da arquitetura Mixture-of-Transformers que suporta modos de geração conjunta, sequencial e desacoplada.
O framework alcança altas taxas de sucesso em quatro suítes LIBERO e tarefas bimanuais do mundo real, com o sucesso de VTA melhorando de 68,4% para 97,8% através da adaptação causal. Quando apenas o preditor de vídeo se adapta a novas tarefas, um modelo inverso de dinâmica local congelado treinado em dados contrafatuais alcança 84,0% de sucesso médio em quatro tarefas LIBERO-90 retidas.
Para a dinâmica direta, a supervisão contrafactual reduz o erro de previsão RGB em 34,5% e aumenta a identificação de resultados de 21,1% para 71,3% entre 16 resultados do mesmo estado. Os conjuntos de dados de pré-treinamento incluem Open X-Embodiment (1.300.749 trajetórias), Agi Bot World Beta e outros, totalizando 14.640 horas de vídeo de origem.
Entidades-chave: Empresas: Open X-Embodiment, Intern Data-A1
Fonte: Hacker News · Resumido por HeadlinesBriefing