2026-10-08 WAM架构突然分叉：DreamX-Phi曾登顶、ForeWAM砍掉视频生成，机器人还需要“做梦”吗？

作者：余柯      出品：机器人产业应用

如果把今年上半年的具身智能比作一场“机器人到底该怎么学会干活”的争论，那么到了 8 月，争论突然具体了。

8 月 2 日，SG-WAM 把未来预测塞进具有几何约束的策略潜空间；8 月 5 日，DreamWAM 提出未来不能只看 RGB，还应该同时理解运动、几何和语义；8 月 12 日，ForeWAM 更进一步：训练时可以学视频，但机器人真正干活时，未来视频干脆别生成了。第二天，DreamX-Phi 1.0 上线，把另一条路线推到极致——既然要生成，就让视频尽量真的服从机器人手臂的三维运动。

几篇论文表面上都叫 WAM，做的事却已经越来越不像同一种东西。真正的分水岭正在出现：机器人到底需要“看见未来”，还是只需要“理解未来”？

01

WAM到底比VLA多了什么？一句话：多了一点“后果感”

传统 VLA——Vision-Language-Action——可以粗暴理解成：看见环境 + 听懂指令 → 直接输出动作。

比如桌上放着杯子，你说“把红杯子放到盘子里”，模型识别杯子和盘子，然后预测机械臂应该向哪里移动。这已经很强，但它有一个结构性的短板：模型非常擅长回答“现在该怎么动”，却未必真正建模“我这么动之后，世界会发生什么”。

DreamZero 在提出 World Action Model 时，把这个区别说得很清楚：VLA 擅长语义泛化，却容易在从未见过的物理运动和新环境中掉性能；WAM 则把“未来世界状态”和“机器人动作”放在一起学习，通过视频获得运动、接触和物体变化的动态先验。

人其实也是这么干活的。伸手拿一个快倒的水杯时，大脑不是只识别“这是杯子”；你会下意识判断：手从这个角度碰过去，杯子会不会倒？夹爪夹太高会不会滑？拿起来以后水会不会洒？

VLA更像条件反射，WAM试图给条件反射装上一台“后果模拟器”。但麻烦也正是从这里开始的：这台模拟器到底应该模拟成什么样？

02

第一条路线：DreamX-Phi——既然要做梦，就把梦做得像物理世界

DreamX-Phi 代表的是最直观的一派：显式预测未来视频。给模型一张当前画面、语言指令，以及机械臂未来准备执行的动作轨迹，它直接生成“如果照这个轨迹执行，接下来的视频会变成什么样”。其底座是 Wan2.2-TI2V-5B。但普通视频生成模型有一个致命问题：

画面可以非常漂亮，动作却可能是错的。你让左机械臂向右移动，它可能生成一段“看起来很像机器人操作”的视频，却让右臂动了；机械臂明明抓住了瓶子，下一帧瓶子却凭空留在桌上。

对短视频模型来说，这可能只是一个小瑕疵；对机器人来说，这是物理规律被写错了。DreamX-Phi 的做法是把每条机械臂的 SE(3) 刚体变换——也就是三维位置和姿态——直接注入 Transformer 的注意力机制，再用深度分支约束场景几何，用 SAM3 找出正在操作的物体，用冻结的 V-JEPA 作为教师模型维持物体在抓取过程中的一致性。

换句话说，它不是只告诉视频模型：“机械臂往那边走。”而是尽可能告诉它：“左臂从这个三维坐标，以这个姿态，沿这条轨迹运动，同时夹爪在这里闭合。请让画面严格服从它。”

在 DreamX-Phi 论文采用的 8 月 12 日 WorldArena 2.0 快照中，它以 60.65 的 EWMScore-P 排在 31 个 Track 1 提交中的第一名，其中轨迹准确率达到 57.15，明显高于当时的 Alpha-World 和 FlowWAM。

但这里有个常被标题忽略的细节：DreamX-Phi 1.0 严格说还是 Forward Dynamics Model。

动作由外部给定，它负责预测执行动作以后世界会怎样，本身并不直接生成机器人动作。论文也明确把“未来联合生成视频和动作”列为后续方向。因此，与其说它已经是 WAM 的终极形态，不如说它把 WAM 的“W——World”这一侧推到了很远。

03

第二条路线：ForeWAM——机器人可以想未来，但没必要把它渲染成视频

ForeWAM 的思路几乎反过来。

它问了一个非常工程的问题：机器人真正需要的是未来，还是“未来的视频文件”？

扩散视频生成之所以慢，是因为模型需要从噪声开始，一步一步把未来画面去噪出来。对聊天机器人来说等一两秒没什么，对机械臂却完全不是一个概念——控制系统几十、几百毫秒就可能需要重新做一次判断。

于是 ForeWAM 设计了 Future-KV。推理时，它保留当前画面的视觉 latent，再往未来位置填入随机噪声，只让 Video DiT 跑一次 prefill。模型不把这些未来槽位继续去噪成视频，而是直接把每一层已经算出来的 Key/Value 状态缓存起来，交给 Action DiT 使用。
这很像一个人脑子里已经有了“杯子被推之后大概会往哪边走”的感觉，但并没有真的在眼前播放一段 4K 慢动作。

未来存在，但不再被渲染。为了防止这些 latent 最后学成一团没意义的特征，ForeWAM 又加入 Dynamics Registers，并用冻结的 latent-action teacher 在训练时告诉模型：哪些内部状态应该表示物体移动、接触改变和任务进度。

部署时，这个教师同样被扔掉。结果是，ForeWAM 在没有具身机器人数据预训练的情况下取得 LIBERO 96.7%，ForeWAM-Flash 为 96.9%；论文的测试配置中，标准版动作生成延迟约 568ms，Flash 进一步降至 220ms，并且策略参数约 2B。

所以，“ForeWAM砍掉视频生成”这句话没错，但还需要补半句：它砍掉的是推理阶段反复生成、解码未来视频的过程，不是把 Video DiT 整个扔了。世界模型还在，只是它越来越像机器人的“潜意识”。

04

第三条路线：DreamWAM——问题可能根本不是要不要视频，而是RGB承载了太多废话

DreamWAM 提出了另一个方向。一张 RGB 图片里，绝大部分信息其实跟机器人当前任务没关系。

机械臂要拿杯子时，桌布是深蓝还是浅蓝，墙上的光线亮了 20%，背景纹理换没换——对动作本身都不重要。

但如果训练目标只有 RGB 视频，模型必须花大量能力解释这些像素变化。

DreamWAM 因此把“未来”拆成四种互补信息：外观、运动、几何和语义。

RGB负责“长什么样”；光流负责“东西怎么动”；几何表示“东西在哪里、前后关系怎样”；语义则回答“哪个东西是什么”。训练时，这些信息共同塑造 VideoDiT，并通过共享注意力影响 ActionDiT。真正部署时，额外的 beyond-RGB 监督分支全部关闭。

效果最明显的地方，不是在普通 LIBERO，而是在场景被故意折腾之后。

DreamWAM 的 no-rollout 版本在 LIBERO-Plus 上从 RGB 基线的 51.36% 提升至 63.44%；联合视频—动作推理则从 69.16% 提升到 75.47%。真机遇到未见过的光照、背景和物体布局变化时，成功率从基线的 55.6% 提高到 74.4%。这组结果透露出的东西可能比“又一个 SOTA”更重要：

世界模型不一定需要把世界画得更像，它更需要留下那些真正决定动作的变量。

05

三条路线到底差在哪？

这里其实还有一个容易被忽略的事实：这三条路线并不真正互斥。

“是否生成视频”是推理架构问题；“未来用 RGB、深度、隐空间还是光流表示”是表征问题。

未来完全可能出现这样一个模型：训练时同时学习 RGB、深度、光流和语义；普通控制时只走隐空间快速通道；遇到高风险动作，再临时打开显式视频 rollout 做验证。这可能比押注某一条单一路线更接近技术终局。

06

为什么大家突然开始补空间和运动结构

换一个维度看：大家补的不是 RGB，而是空间与运动结构。前面二、三、四节，其实是按“推理时要不要显式生成未来视频”来分的：DreamX-Phi 选择显式生成，ForeWAM 选择不渲染，DreamWAM 选择拆监督。但 WAM 的分叉不止这一条。

如果把镜头从“推理架构”移到“未来表征”，会看到另一组代表：DreamX-Phi、SG-WAM、FlowWAM。它们不是另起三条互斥路线，而是从不同入口回答同一个问题：除了 RGB 像素，未来还应该用什么结构来表示？

DreamX-Phi 从机器人坐标入口补。它使用 SE(3) 刚体变换——也就是机械臂末端的三维位置和姿态——并把它注入 Transformer 的注意力机制，让生成画面尽量服从机械臂的真实运动。优势是“控制坐标系”非常明确，尤其适合双臂机器人精确执行。

SG-WAM 则从内部表征入口补。它不把未来先渲染成像素，而是把未来动力学直接预测在策略自身的隐空间里，再利用几何监督让这个空间获得空间结构。其 0.9B 模型在没有大规模具身预训练的情况下报告 LIBERO 98.5%、LIBERO-Plus 73%。

FlowWAM 从图像运动入口补。它不直接描述机械臂关节角，而是用光流描述图像中每个像素下一刻往哪里移动。光流本身和视频同构，而且可以直接从没有机器人动作标签的视频中提取，因此特别适合吃海量互联网视频。它在 RoboTwin Clean/Random 上分别达到 92.94% 和 92.14%，论文还报告 WorldArena EWMScore 63.71。

把三者放在一起看，趋势很清楚：纯像素不够用了。DreamX-Phi 补机器人坐标，SG-WAM 补策略潜空间几何，FlowWAM 补图像运动。它们入口不同，但都在做同一件事：别让模型只学“画面像什么”，还要学“空间和运动到底怎么组织”。

这也说明，WAM 正在经历一次很像自动驾驶早期的转变：一开始大家觉得摄像头看得够多，神经网络自己会学出来；后来才发现，看见三维世界和真正按照三维世界做事，中间还差一层结构。

补上这层结构，是 WAM 从视频生成走向机器人控制的关键一步。但它也带来下一节的问题：结构有了，为什么 WorldArena 里的“物理分”和控制精度仍然不漂亮？

07

为什么模型已经这么强，WorldArena里的“物理分”还是不漂亮？

DreamX-Phi 在 8 月 12 日快照拿第一时，总分只有 60.65。后来 WorldArena 2.0 更新 Dynamic Degree、Flow Score 和 Motion Smoothness 的评分方式并重新计算榜单，目前公开结果已经发生变化，FlowWAM-FiveAges 的 Track 1 总分达到 67.62。挑战赛本身也仍未结束。

所以“榜首只有60分”不能再当作当前事实。但它背后的问题依然成立。WorldArena 把视频质量拆成视觉质量、运动质量、内容一致性、物理遵循、3D准确性和可控性等维度，其中“Physics Adherence”直接考察 Interaction Quality （交互质量）和 Trajectory Accuracy（轨迹准确率）。

有意思的是，在目前公开表中，不少模型的 Depth Accuracy （深度准确率）已经能接近 0.9 甚至更高，Trajectory Accuracy（轨迹准确率）却往往只有 0.3—0.5 左右。翻译成人话就是：模型可能已经知道杯子在哪里、桌子有多深、场景长什么样，却仍然不能保证机械臂沿着精确轨迹把杯子送到那个位置。

因为“像物理”与“数值上 obey physics”完全不是一回事。视频生成模型擅长的是产生一个概率上合理的未来；机器人控制需要的却经常是毫米级位置、角度、接触时刻以及夹爪开合的确定性。

在视觉世界里，瓶子落点差三厘米还是一段不错的视频。在装配线上，差三厘米叫事故。这才是 WAM 接下来真正难啃的骨头。

08

ForeWAM会成为工业机器人的主流吗？  

很可能会影响主流，但不太可能“一统天下”。Fast-WAM 今年 3 月就给过一个很重要的实验信号：WAM的价值可能主要来自训练阶段学习未来，而不一定来自测试阶段真的把未来生成出来。它保留视频联合训练，却关闭测试时未来生成，论文报告约 190ms 推理延迟，比当时 imagine-then-execute WAM 快 4 倍以上。

ForeWAM 把这个思路继续推进：不是简单“不做梦”，而是把梦留在 KV Cache 和 dynamics latent 里。DreamWAM 则从另一边证明：训练时可以把监督做得越来越重，部署时再把辅助分支全部拆掉。

这两条线最终指向同一个工程原则：训练的时候尽量“重”，部署的时候尽量“轻”。

工厂机器人最关心的从来不是模型能不能生成漂亮视频，而是稳定、延迟、显存、功耗和故障率。能够把视频世界模型带来的物理先验保留下来，同时避免每个控制周期都跑完整视频 diffusion，这条路天然更适合进入真实设备。

不过，在机器人需要评估多个候选动作、做长时规划，或者希望工程师能够直接检查“模型认为接下来会发生什么”时，显式视频世界模型仍然有不可替代的价值。所以视频生成大概率不会消失。它可能只是从“每一步都跑”，变成“需要的时候再打开”。

09

传统VLA会被WAM替代吗？大概率不会，两个名字可能先消失一个

把 WAM 理解成“下一代 VLA”其实有点太简单。VLA 擅长的是语言、语义和开放世界知识；WAM补的是物理动态和结果预测。真正实用的机器人，需要两样都要。
未来更可能出现的不是：VLA → 被 WAM 淘汰。而是：VLM/VLA 负责理解任务和高层规划 + 世界动态表征负责预测后果 + Action Expert 负责输出连续控制。至于中间那套世界动态究竟表现为一段 RGB 视频、一组光流、一套3D latent，还是 ForeWAM 式 KV 状态，对最终用户可能根本不可见。
换句话说，WAM 的终局甚至可能不是“一个会生成视频的机器人模型”。它更可能变成机器人基座模型内部的一种训练原则和世界表征方式。机器人仍然会“想象未来”。只是未来最先进的机器人，可能再也不会把这个梦画给我们看。它只需要在真正伸手之前，知道这一伸手之后，会发生什么。