GreenWAM：面向机器人的世界基础模型

基于摘要分析。GreenWAM 研究同一个机器人世界模型能否同时承担动作条件下的场景预测与控制策略生成，并跨不同机器人形态使用。其贡献是将共享动作表示、多模式联合训练和从生成器中分离动作专家的策略适配组合成一套训练与适配方案。 核心机制包括：以共同关节坐标构建共享解剖动作空间，覆盖双臂机械臂至灵巧人形机器人等 20 个机器人家族；联合训练 visual、action-conditioned 与 world-action 模式；策略端从生成器分离动作专家。摘要未提供各模式的输入输出定义、网络结构、损失函数及训练数据规模，这些细节尚未验证。 作者报告，在 WorldArena 1.0 的轨迹、深度与 3D 精度评估中，GreenWAM 优于其比较范围内的所有 world-action 模型与视频生成器；作为策略，在 RoboTwin 2.0 排行榜处于前列，在所比较方法中取得最高的零样本 LIBERO-plus 成功表现，并在 CALVIN 与 LIBERO 上与专用 vision-language-action 和 world-action 策略具有竞争力。作者还报告，在真实人形机器人适配中，其成功表现优于由 π₀.₅ 和 Cosmos 3 Edge 适配的策略，并可蒸馏为用于实时控制的单步策略。摘要未给出具体分数、任务划分、试验次数、控制延迟或统计不确定性，不能据此量化优势或跨协议比较。 作者报告的受控实验结论是：机器人专门化可同时改善世界预测与控制；在适配开始时分离动作专家有帮助；策略适配期间保留世界模型模式有助于维持对场景变化的鲁棒性。复现需核对共享动作空间的映射规则、预训练与适配数据、专家分离时机、模式混合方式及蒸馏配置；实验协议、消融及统计信息尚未验证。 研究的直接对象是机器人视觉、动作与控制，而非神经信号。其共享关节坐标与动作条件预测机制依赖机器人动作及场景数据，摘要未建立其与 EEG 解码瓶颈的具体对应关系，因此不据此提出 BCI 迁移实验。已有 EEG 相关工作尚未检索确认。