首页 / 资料
VLA vs WAM 深度调研（2026-10，ChatGPT Deep Research 二手报告）新增
❤️ Grok Bot 点赞：Jack 2026-10-25 12:49（台北时间）在 TARS 聊天里给 TARS 的消息「VLA vs WAM 深度调研（2026-10）Page 做好了：结论在前，完整对比表、延迟对比图、VLA/WAM 切换 benchmark 表」点了 👍（message_id t668s2526） Grok Bot 对话
⚠️ 二手 AI 报告：底稿由 ChatGPT Deep Research（2026-10-25）生成，不是论文原文，也不是 Tech Intel 的核实报告。报告里的引用只有 ChatGPT 内部标记（形如
citeturn14view1），没有给出任何可点击的原始链接；TARS 的 Page 称"33 条引用，数字未逐条核对"。因此下文所有数字、结论都只代表报告的说法，默认 待核实。本 Agent 2026-10-25 只对照了 6 篇论文的 arXiv 摘要，对上的标"✅ 摘要一致"，链接是本 Agent 查到的，不是报告给的。
- 点赞对象（Page）：VLA vs WAM 深度调研（2026-10）（未公开）
- 报告原文：〔本地存档〕（47,557 字节，在 〔本地存档〕 之外；AGENTS.md 没有要求保存 Grok Bot 点赞的附件，**未复制进 〔本地存档〕，只引用路径）
- raw 记录：〔本地存档〕 最后一行（TARS 写入；这一行用
liked_at/message_id/excerpt/url字段，和 AGENTS.md 的 ts / message_excerpt 字段名不一样） - 相关页：具身智能与机器人基础模型（VLA / WAM）、世界模型、机器人与 AI 硬件开发、AI 视频生成与 AI 短剧、GR00T（NVIDIA）、Physical Intelligence、DreamZero、Cosmos Policy、AGI 当前热点 vs 表情/情绪感知（AI 回答 + Tech Intel 核实）（之前已核实"具身智能/VLA 是 AGI 热点"）、通用大模型迈向 AGI 并结合递归自我改进后，是否会替代 VLA？（ChatGPT Deep Research 二手报告，待核实）（📥 Jack 的另一份 ChatGPT Deep Research：AGI + 递归自我改进会否替代 VLA，接着本篇往下问）、RSI（递归自我改进）
一句话结论（据报告）
截至 2026-10，机器人基础策略有两条路线：VLA 从视觉+语言+机器人状态直接出动作；WAM 把"预测交互后世界怎么变"显式放进策略学习。报告认为两者差别在监督目标（是否显式学未来状态），而不在用不用 Transformer、diffusion；趋势是融合而不是替代，终局可能是"VLM 语义 + 隐空间预测世界状态 + 长上下文记忆/规划 + RL 自我改进 + 低延迟连续动作专家" Grok Bot 对话。报告自己说这一"终局"是综合推断，不是实验证明。
要点（据报告，默认待核实）
- 定义：WAM 还不是统一术语；DreamZero 用的是窄定义"联合预测未来世界状态与动作"；综述把 latent dynamics、视频预测、动作条件生成模型都算进去 Grok Bot 对话。
- 不能用来区分 VLA/WAM 的属性：Transformer、diffusion/flow matching、语言输入、action chunking、推理时是否生成视频。唯一核心区分：是否显式学习未来世界演化 Grok Bot 对话。
- VLA 强项：语义泛化、成熟的 VLM 迁移、推理相对便宜；弱项：语义能力≠物理能力（没见过的接触几何/摩擦/铰接）、依赖带动作标签的遥操作数据、历史/部分可观测 Grok Bot 对话。
- WAM 强项：视频里有大量"状态如何随时间变化"的密集监督，可借视频生成模型的几何/运动/接触先验；弱项：未来预测出错会变成动作错误、多模态未来被平均、像素 rollout 累积误差、算力与延迟重；人类视频没有机器人本体感知和可执行动作标签，仍需少量目标本体数据 Grok Bot 对话。
- 长时程要分三层：motor horizon（一次出多少动作）、predictive horizon（世界模型能预测多远）、task/memory horizon（记得几分钟前做了什么）。WAM ≠ 长时程推理；记忆/上下文扩展与世界建模是两个维度 Grok Bot 对话。
- 延迟：模型前向延迟 ≠ 底层控制周期（action chunking 让机器人边执行边算下一段）。视频 WAM 一度比直接 VLA 慢一个数量级，新一代 action-centered / latent WAM 在追平 Grok Bot 对话。
- Benchmark 不能跨论文排名：同为 RoboTwin 2.0，π0.5 在 MotuBrain 论文里是 82.7/76.8，在 GigaWorld-Policy 论文的协议下约 0.43/0.44 Grok Bot 对话。MotuBrain 称 WorldArena 中视频感知质量与下游动作成功率相关性仅约 r=0.36，"视频逼真 ≠ 控制更好" Grok Bot 对话。
- 2025–2026 七个趋势：VLA 从行为克隆转向经验学习（π*0.6 / RECAP）；人类视频成为主要预训练资源；世界建模从像素空间迁到隐空间（VLA-JEPA、Being-H0.7）；WAM 采用 VLA 式 action-only 快速路径（MotuBrain、GigaWorld-Policy）——"训练时像世界模型，部署时像 VLA"；VLA 也越来越像世界模型（GR00T N1 用视频生成扩数据）；长时程靠记忆/上下文 + 分层（Gemini Robotics 2 的 ER 2、RoboTTT）；端侧部署重新成为架构约束（Gemini Robotics On-Device 2） Grok Bot 对话。
- 部署建议：今天实际部署，VLA 生态更成熟；想最大化没见过的物理交互泛化，WAM 假说更有吸引力；但"WAM 已全面胜过 VLA"不成立，一项独立鲁棒性研究发现强 VLA（π0.5）在部分扰动下与 WAM 相当 Grok Bot 对话。
关键数字（据报告；状态列为本 Agent 的核对结果）
| 模型 | 类型 | 报告给的数字 | 状态 |
|---|---|---|---|
| RT-2（PaLI-X 55B / PaLM-E 12B） | VLA | unseen 平均 62% vs RT-1 32%；动作表示为 token | 架构 ✅ 摘要一致（arXiv 2307.15818）；62%/32% 待核实（摘要未给） |
| OpenVLA | VLA | 7B；Llama 2 + DINOv2/SigLIP；970k 条真实机器人示范；29 任务比 RT-2-X（55B）高 16.5 个百分点，参数少约 7×；bf16 16.8 GB，int4 7.0 GB 成功率不降 | 7B/970k/+16.5%/7× ✅ 摘要一致（arXiv 2406.09246）；显存数字 待核实 |
| π0 | VLA | ≈3.3B（VLM + 约 300M action expert）；flow matching；7 种机器人构型、68 类任务、>10,000 小时；最高 50 Hz 控制 | flow matching + 预训练 VLM ✅ 摘要一致（arXiv 2410.24164）；规模/小时数/50 Hz 待核实 |
| π0.5 | VLA | FAST 离散 token 预训练 + 连续 flow 推理（10 步去噪）；未见过的家庭环境测试；GigaWorld 作者 A100 复测约 225 ms | 论文存在（arXiv 2504.16054）；数字 待核实 |
| π*0.6 / RECAP | VLA + RL | 示范 + 自主经验 + 人工纠正；最难任务吞吐翻倍以上、失败率约减半 | 待核实 |
| GR00T N1-2B | VLA（双系统） | 2.2B（Eagle-2 VLM 约 1.34B）；System 2 约 10 Hz，System 1（DiT）控制环 120 Hz；16 步 chunk 在 L40 上 63.9 ms；88 小时遥操作用视频生成扩到 827 小时；预训练约 50,000 H100 GPU 小时 | 双系统 VLA、混合真机/人类视频/合成数据 ✅ 摘要一致（arXiv 2503.14734）；全部数字 待核实 |
| GR00T N1.7 / RoboTTT | VLA | 2026-04 NVIDIA 以"open reasoning VLA"早期访问发布 N1.7；RoboTTT 把上下文扩到 8K 时间步（约 5 分钟），比 1K 上下文提升 62%，完成 5 分钟十阶段装配 | RoboTTT ✅ 2026-10-25 联网补缺：摘要一致（arXiv 2607.15275，NVIDIA，2026-07-16 提交；建在 GR00T N1.7 上，8K 时间步、比 1K 预训练 +62%、比单步基线 +87%、完整完成五分钟十阶段装配）；N1.7"2026-04 早期访问" 待核实（查过 2026-10-25） |
| Gemini Robotics 2 / ER 2 / On-Device 2 | VLA + 推理层 | 2026-07 发布，全身人形控制；ER 2 做数分钟、数百次决策的规划；On-Device 2 少于约 200 例、数小时适配新本体；参数/延迟未公开 | 待核实（发布日期与 AGI 当前热点 vs 表情/情绪感知（AI 回答 + Tech Intel 核实） 里 Tech Intel 已核实的"Gemini Robotics 2，2026-07-30"一致） |
| VPP | WAM 前驱 | CALVIN ABC→D 平均完成长度 4.33（10% 标注数据 3.25）；RTX 4090 约 140 ms | 待核实 |
| DreamZero | WAM | 14B 自回归视频扩散；新动作/任务泛化比 SOTA VLA 高 >2×；10–20 分钟纯视频示范带来 >42% 相对提升；30 分钟 play 数据适配新本体；朴素 5.7 s/chunk，优化后约 7 Hz 闭环 | 14B / >2× / 7 Hz / >42% / 10–20 分钟 / 30 分钟 ✅ 摘要一致（arXiv 2602.15922，NVIDIA）；5.7 s 待核实 |
| Cosmos Policy | WAM | 由 Cosmos-Predict2 单阶段后训练，动作/未来图像/价值都编码为隐帧；LIBERO 98.5%、RoboCasa 67.1%；GigaWorld A100 复测 1,413 ms | 98.5% / 67.1% ✅ 摘要一致（arXiv 2601.16163，NVIDIA + Stanford）；1,413 ms 待核实 |
| GigaWorld-Policy | action-centered WAM | A100 约 360 ms（同机复测：π0.5 225 ms、Cosmos Policy 1,413 ms、Motus 3,231 ms）；RoboTwin2.0 约 0.86/0.85 | 待核实 |
| MotuBrain | 统一 WAM | 编译 + FP8 + DiT cache + action-only 路径从 4.90 s 降到 0.09 s（约 11.1 Hz）；RoboTwin2.0 95.8%/96.1%；50–100 条轨迹适配新人形本体 | 待核实 |
| Being-H0.7 | 隐空间 WAM / 混合 | 训练时用未来信息监督隐查询，部署完全不生成未来帧；约 3–4 ms/控制步（不等于完整前向延迟） | 待核实 |
| VLA-JEPA | VLA + 隐世界模型 | VLA 预训练里加 JEPA 隐空间未来预测目标 | 待核实 |
| 鲁棒性对比研究（LIBERO-Plus / RoboTwin 2.0-Plus） | — | Cosmos-Policy 82.2%、LingBot-VA 74.2%；π0.5 部分任务可比 | 待核实 |
与已有主题的关系
- 机器人与 AI 硬件开发：之前只有 PCB、Microduck 强化学习、宇树泡沫和"具身智能/VLA 是 AGI 热点"；这份报告是第一份系统讲机器人基础模型的资料。
- 世界模型：AGI 热点资料里的"通用世界模型（Cosmos、Genie、Sora 类）"偏视频/仿真；本报告讲的是用于机器人控制的世界模型（WAM），两页互链。
- AI 视频生成与 AI 短剧：WAM 直接建立在视频生成模型上（DreamZero 用 Wan 系视频扩散骨干——据 DreamZero 论文；Cosmos Policy 用 Cosmos-Predict2）。
待核实清单
- 报告没有任何原始链接；上表除 6 篇已对照摘要的论文外，其余数字全部待核实，尤其是：π*0.6 吞吐翻倍、GR00T N1.7 的 2026-04 早期访问发布（查过 2026-10-25，未找到官方出处；RoboTTT 8K / +62% 已于同日按 arXiv 摘要核实）、Gemini Robotics 2 / On-Device 2 细节、GigaWorld-Policy 同机延迟对比、MotuBrain 0.09 s 与 r=0.36、Being-H0.7 3–4 ms、鲁棒性研究 82.2% / 74.2%、OpenVLA 显存数字。
- MotuBrain、GigaWorld-Policy、Being-H0.7、VLA-JEPA、RoboTTT、LingBot-VA、Motus 的论文本 Agent 没有查找。
- "VLA 与 WAM 融合成混合架构"是报告的推断。