揭示人机联合训练Scaling Law！欧拉万象联手港科广开源具身UniWAM

Ola-Sem 正式开源版本来了！UniWAM 探索 Human-Robot Co-training 的 Scaling 趋势，实现世界理解、未来预测与动作生成的统一学习，代码与权重全面开源。

欧拉万象 x 香港科技大学（广州）（简称：港科广）此前曾联合发布 Ola-Sem，并在全球主流榜单上取得 SOTA 成绩。今天，Ola-Sem 的开源版本 ——UniWAM（Unified World-Action Model，统一世界与动作模型）正式发布将语义理解、未来视觉预测与动作生成纳入统一架构，首次揭露 Human-robot Co-training 的 Scaling 趋势。同时，模型通过共享的物理语言监督，连接人类与机器人操作数据，探索如何将更丰富的人类经验转化为机器人可用的学习信号

UniWAM 获得了多项基准 SOTA，在 LIBERO 上取得99.2%的平均成功率，在 LIBERO-Plus 上取得92.6%的整体成功率，在 RoboTwin 2.0 C2R 上取得68.32%的成功率，均达到论文所列方法中的领先水平。同时，UniWAM 进一步通过真机实验，验证了模型在指令跟随、复杂交互与长程任务执行中的能力。

这些成绩背后，是 UniWAM 对语义理解、世界预测与动作生成统一学习的探索。目前，模型代码与权重已正式开源。

一句 “收拾桌面”，机器人需要哪些能力？

面对摆满杂物的桌面，你会直觉对机器人说：“收拾一下桌面。” 这句话没有列出每一步。机器人需要识别物体，判断收纳策略，还要在执行中跟踪场景变化：杯子是否放好了？抽屉是否打开了？下一步该操作什么？

在 UniWAM 的长程桌面整理实验中，机器人在推理时接收的同样是一句高层指令：“Tidy up the desk.”。任务包含杯子放置、抽屉收纳盒笔的放置等多个子任务。而这些子任务彼此又存在因果关联：打开抽屉之后才能放入物品，完成收纳之后还需要关闭抽屉。机器人需要在连续操作中跟踪任务进度，并根据当前场景生成后续动作。

图 1｜双臂平台上的多物体抓取、不同交互、相对位置放置、抽屉收纳与长程任务演示。

三种能力，一个统一架构

UniWAM 成功执行连续任务的目标引出了一个根本问题：机器人能否不再将理解、预测和行动视为彼此割裂的能力，而是在一个统一模型中学习、从而减少理解与执行之间的脱节，更好地应对复杂任务中的连续决策与环境变化？围绕这一目标，UniWAM 将语义理解、视觉动态与动作生成纳入统一架构，让任务要求、场景变化与动作信息在训练中相互关联，为更稳定、更连贯的机器人操作提供支持

视觉 — 语言 — 动作模型（VLA）继承了视觉语言模型的语义能力，但仅靠动作监督，对世界动态的学习仍有局限。世界 — 动作模型（WAM）引入视频生成模型的时空先验，而面对环境变化，语义理解和推理同样重要。

UniWAM 将三类组件连接到统一架构中：

• Physical Reasoner（物理推理器）：基于 Qwen3-VL-2B-Instruct，理解当前视觉场景和任务指令，提供语义信息。
• World Generator（世界生成器）：基于 Wan2.2-TI2V-5B，学习预测未来视觉变化，为操作提供动态信息。
• Action Predictor（动作预测器）：建模连续动作的流场，生成机器人执行所需的动作片段。

三个组件通过联合多模态注意力交换信息，使动作预测能够结合任务要求与场景动态。UniWAM 的核心探索，是让理解、预测与行动在统一架构中相互关联、共同学习

图 2｜左侧为三个组件及联合多模态注意力，右侧为人类、机器人与视觉语言数据概览。

统一架构高效连接语义与动态

三个组件保留各自的特征处理方式，再把不同模态的 token 投影到共同注意力空间。语义、视觉和动作信息在该统一空间中交互，使动作预测可以结合任务语义和视觉动态线索。

世界生成器在冻结的视觉自编码器潜在空间中学习未来变化，动作预测器学习连续控制信号。两种生成目标通过共享信息建立联系，同时各自保留对应模态的建模方式。

物理推理器还保留语言预测目标，接受物理语言和视觉问答监督。这为语义能力提供直接训练信号：机器人既需要学会操作，也需要持续学习 “看到了什么”“指令要求什么”。

从架构设计，走向数据利用效率

人类操作视频包含丰富经验，但其中的动作标签往往需要通过估计获得。手部遮挡、相机运动和深度估计误差，都会影响轨迹的准确性。

团队在所分析的数据管线中观察到：二维轨迹的形状与运动趋势往往较可靠，误差更多集中在深度和绝对尺度。这意味着，一段轨迹即使难以提供精确的三维位移，仍可能保留运动方向和操作意图等可用信息。

UniWAM 因此探索一种共享监督方式：在学习视觉变化的同时，利用这些仍然有效的运动信息，帮助模型建立动作与场景变化之间的联系。

用物理语言表达动作段，加速动作学习

UniWAM 设计physical language（物理语言），用自然语言描述动作，为人类与机器人数据提供共享监督

例如，一个动作段可以写成 “向前移动5.5 cm，再顺时针转动30°”。这里的数值用于说明表示形式：语言可以把方向、位移与旋转可以通过已有语言组织起来，与 VLM 视觉语言模型的预训练表达方式相接

这种设计侧重保留运动趋势和意图，降低对精确连续标签的依赖。语言描述为理解组件提供辅助监督，动作预测器仍学习连续控制，不要求机器人先逐字输出动作说明再执行。

提升数万小时的数据质量与数据规模

团队搭建清洗与标注管线，处理超过一万小时机器人与人类第一视角数据，并混合 VQA 问答数据进行预训练。机器人示范提供控制经验，人类操作扩大场景与行为覆盖，VQA 补充空间、物体与交互状态理解。

机器人数据经过时序、几何与视觉质量检查；人类数据使用子任务级描述。团队为 EgoDex 构建 EgoANT，先由粗到细定位操作事件，再生成并筛选描述，使语言与局部视频事件对应；EgoVerse 和 VITRA 的已有标注保留使用。

值得注意的是，数据清洗不仅要去除低质量样本，更要保留具有物理交互价值的信息。 例如，视觉变化很小的片段可能包含夹爪闭合，不能仅因画面静止就删除。结合视觉、状态与动作信息处理，能够让可用经验更完整地进入训练。

图 3｜从长视频中定位操作事件，再为片段提供对应的子任务描述。

Physical AI，最终要落在动作上

理解之外，还要高效稳健行动

对于 Physical AI 而言，动作不应只是模型理解世界后的最终输出，更应成为学习物理世界的重要信息来源。在连续操作中，机器人的历史动作不仅记录了此前的执行过程，也为预测后续动作提供了重要线索。

基于这一思路，UniWAM 引入历史条件流匹配（History-Conditioned Flow Matching），不再完全从随机噪声开始生成动作，而是利用经过扰动的历史动作作为初始化，通过少量去噪更新预测未来动作片段。这种方式充分利用动作之间的时序关联，在减少生成步数的同时，保持较高的操作成功率。

与此同时，机器人对未来场景的预测并非总是准确。为此，UniWAM 在后训练中引入未来视觉噪声增强（Future Visual Noise Augmentation），通过对未来视觉表示施加扰动，降低动作生成对精确未来预测的依赖，使模型能够更好地应对预测中的不确定性。

图 4｜利用历史动作作为生成起点，通过去噪更新预测未来动作片段。

少步生成，保持高成功率

平均值为 RoboTwin C2C 与 C2R 的算术平均。

实验结果表明，历史动作初始化能够显著减少动作生成所需的更新步数。仅需 1 步，平均成功率就达到64.99%，相比噪声初始化提升个百分点；在 4 步时达到71.73%，与 10 步生成仅相差0.06 个百分点。这表明，利用历史动作信息，可以在保持操作表现的同时，有效减少生成过程中的迭代更新。

图 6 (c) 进一步的消融实验也验证了两项设计的作用：历史动作初始化将平均成功率从64.80%提升至69.73%，加入未来视觉噪声增强后进一步达到71.34%。这一结果表明，历史动作信息与未来视觉增强能够共同改善模型的动作生成表现。

从仿真到真机，验证复杂场景下的机器人操作能力

仿真评测：从标准操作到复杂环境变化

UniWAM 在多个机器人操作基准上取得领先成绩，展现了模型在任务执行与环境泛化方面的能力

在标准操作基准 LIBERO 上，UniWAM 取得99.2%的平均成功率；在引入多种环境扰动的 LIBERO-Plus 上，整体成功率达到92.6%；在 RoboTwin 2.0 的随机化环境测试中，成功率达到68.32%

上述三项为多项基准 SOTA：排名限定于论文对应表格所列方法中的最高值。

真实环境往往不会完全符合训练时的条件。光照可能变化，物体可能被移动，相机视角也可能发生偏移。因此，除了标准任务成功率，机器人能否适应环境变化，是衡量模型能力的更加重要的指标。

LIBERO-Plus 从背景、相机视角、语言指令、光照、物体布局、机器人初始状态和传感器噪声七个维度评估模型的鲁棒性。

LIBERO-Plus 评测结果。

UniWAM 在机器人初始状态、语言、光照与背景四项评测中，均取得论文所列方法中的最高成绩。即使面对更具挑战性的物体布局变化，仍达到84.6%的成功率，展现了模型对不同环境条件的适应能力。在涵盖 50 项任务的 RoboTwin 2.0 基准上，UniWAM 进一步接受随机化环境测试。

平均成功率为 C2C 与 C2R 的算术平均；加粗与下划线分别标示本表各列的最优与次优值。

从标准环境（C2C）切换至随机化环境（C2R），UniWAM 的成功率仅下降6.82 个百分点，并在 C2R 测试中取得所列方法的最高成绩。这表明 UniWAM 不仅能够完成标准操作任务，也在面对环境变化时表现出较好的泛化能力。

真机验证：从指令理解到连续操作

仿真基准验证了模型在不同任务与环境下的表现，而真实机器人实验则进一步检验这些能力能否转化为实际操作

UniWAM 在双臂 AgileX Piper 机器人平台上开展真机实验，涉及多达 18 种物体，并设计了四类不同难度的操作任务：

• 多物体抓取： 考察能否根据指令正确选择目标物体。
• 不同交互： 考察能否同时理解操作对象与动作要求。
• 相对位置放置： 考察能否理解并执行空间关系指令。
• 抽屉收纳： 考察双臂协作与复杂操作能力。

实验将 UniWAM 与 π₀.₅、Motus 进行对比，各方法均采用每任务 200 条示范数据，并在相同训练协议下联合训练单个策略。

在四类真机任务中，UniWAM 取得67.5% 的平均任务成功率和 82.5% 的指令跟随率。其中，在不同交互任务中，UniWAM 的任务成功率达到72.5%，显著高于 π₀.₅ 的 40.0%；指令跟随率达到80.0%，相比 π₀.₅ 的 50.0% 同样有所提升。

这两个指标分别衡量机器人是否正确理解任务要求，以及是否真正完成操作。理解指令并不意味着能够成功执行，只有将任务理解与动作生成有效结合，才能把用户的要求转化为实际结果。

除了单项操作，UniWAM 还进一步挑战了长程桌面整理任务

机器人需要根据一句高层指令，连续完成杯子放置、抽屉开合与物品收纳等六个相互关联的操作阶段。训练阶段采用细粒度子任务描述提供监督，而推理阶段仅输入高层任务指令。

在这一任务中，UniWAM 取得平均5.0/6 的任务进度得分，优于 π₀.₅ 的 4.8 和 Motus 的 3.2，展现了模型在多阶段连续操作中的执行能力。

图 5｜四类真机任务的成功率与指令跟随率，以及长程任务的平均进度得分。

消融实验，人机联合训练与物理语言监督的价值

预训练数据组合消融。

机器人数据预训练把平均成功率从 46.23% 提升到 67.53%，加入人类数据后达到 71.34%，三源混合达到 71.73%。但仅在机器人数据上加入 VQA，并未在平均指标上超过机器人单源方案，这说明对于好的模型效果，数据来源与组合方式都需要具体设计

在机器人＋人类设置中，移除语言 — 动作监督后，C2R 从 67.56% 降至 56.40%，相差 11.16 个百分点。这是对共享监督价值的实验支持

图 6｜三组消融分别考察预训练数据、理解组件训练策略和动作生成。

图 6（b）理解组件的累积消融也呈现逐步改善：冻结 VLM 时平均为 42.61%，解冻后为 46.49%，加入物理语言监督后为 51.74%，进一步预训练后为 71.34%。这组实验支持对理解组件进行具身适配，也显示训练配方与统一架构需要配合发挥作用。

规模化人机联合训练，展现 Scaling 趋势

如何让更大规模的人类操作经验真正转化为机器人能力，是具身基础模型 Scaling 路上的重要问题。

UniWAM 的实验呈现出两个值得关注的趋势：随着机器人预训练数据规模扩大，模型的下游任务表现持续改善；而当机器人数据达到一定规模后，引入人类第一视角数据能够带来进一步收益，且增益随规模扩大更加明显

同时，在当前实验范围内，人机混合预训练的收敛验证损失与数据规模呈现近似对数线性关系，拟合 R² 达到，初步展现出具身预训练的 Scaling 潜力。这为进一步探索更大规模的人机联合预训练提供了实验依据。

图 7｜左侧为验证损失，右侧为 RoboTwin C2R 成功率；横轴为机器人数据小时数，混合组额外加入人类数据，各组均包含 VQA。

人机表征是否出现更多共同结构？

在 t-SNE 可视化中，加入物理语言监督后，人类与机器人数据的表征呈现更多重叠。这一现象与共享监督促进共同表征的研究目标相一致。

结合前面的操作评测与数据消融，可以从表征变化和任务表现两个角度观察这一设计的作用。可视化提供了辅助线索，跨本体经验能否有效用于操作，仍需要通过具体任务评测判断。

从 UniWAM 到 Real-World RSI，让机器人在真实世界中持续成长

UniWAM 并非一项孤立的模型研究，而是欧拉万象沿着 Action-Native Foundation Model 技术路线，与港科广联合开展的一项阶段性探索。通过统一学习语义理解、未来视觉预测与动作生成，UniWAM 不仅关注机器人如何执行动作，更尝试让动作参与物理世界表征的学习，建立动作与环境变化之间的联系，为更复杂的真实任务提供模型基础。

这一探索也是欧拉万象长期构建 Real-World RSI（真实世界递归自进化）的重要基础。在 UniWAM 的基础上，机器人不断进入真实环境执行任务，由 AI 系统识别执行过程中的失败、异常与能力不足，并将这些信息转化为下一轮模型、基础设施或本体改进的输入。UniWAM 所探索的世界与动作联合建模、人机数据规模化联合训练，以及多维度的任务评测，正是在为这样的持续改进过程构建基础。我们的长期目标，不是训练出一个在 Benchmark 上表现更好的模型，而是让机器人的能力能够随着真实世界中的经验积累，持续成长

目前，UniWAM 的模型与训练代码、预训练及后训练权重已全部开源，并提供相关基准的训练与评测资源，欢迎研究者基于开源成果开展进一步探索。

开源入口：

• GitHub 代码：https://github.com/UniWAM/UniWAM
• ModelScope 模型权重：https://www.modelscope.cn/collections/Kosmos524/UniWAM

|（注：部分内容由豆包工作 AI 生成）