机器人操作的两条路线之争！全面对比，WAMs是否比VLAs的泛化能力更强？
这篇发表于 2026 年 3 月的论文由华为与多伦多大学联合完成，是机器人具身操作领域首次在统一基准、统一扰动、统一评估协议下，对 视觉‑语言‑动作模型（VLA）与世界动作模型（WAM） 两大技术路线开展的全面对比。文章不预设立场、不偏向任何范式，以实验数据回答行业最关心的问题：世界模型带来的 “物理预测能力”，是否真的让机器人在真实干扰环境中更稳、更通用，并清晰揭示两类模型的能力边界、内在机理与工程落地代价。
原文链接：https://arxiv.org/abs/2603.22078
本文也正式收录在具身智能之心开源知识库内，更多具身最新技术、投融资、产品政策、上下游信息，欢迎加入！
研究缘起：机器人操作的两条路线之争
在真实场景中，机器人执行抓取、装配、整理等任务，面临光照变化、相机抖动、背景杂乱、物体位置偏移等大量不可控干扰。能否在扰动下稳定完成任务，直接决定技术能否落地。
当前主流解决方案分为两条路径：
视觉‑语言‑动作模型（VLA）
以图文多模态大模型为基础，将视觉观测、语言指令直接映射为机器人动作。它是目前最成熟、部署最广泛的方案，优势是推理速度快、工程链完善；但依赖大量机器人演示数据，对未见过的环境扰动鲁棒性不足。
世界动作模型（WAM）
以视频生成式世界模型为基础，先学习海量互联网视频中的时空演化规律，能够 “预测未来状态”，再基于预测生成动作。这类模型被认为具备更强的物理理解与泛化能力，但推理开销大、实际鲁棒性缺乏系统性验证。
在此背景下，本文围绕四个核心问题展开研究：
- WAM 在各类环境扰动下是否真的更鲁棒？
- 这种鲁棒优势是否在所有干扰类型中都成立？
- 两类模型性能差异的根本来源是什么？
- 落地时的推理速度与计算代价差距有多大？
核心差异：VLA 与 WAM 的本质机理区别
论文从架构、学习目标、决策方式三个层面，清晰界定了两类模型的底层不同：
实验设计：双基准 + 七维扰动，保证严谨与公平
为避免单一环境带来的偏差，研究采用两个互补的强化基准，并统一施加7 大类共 21 项扰动，高度贴近真实工业与家庭场景。
实验平台
- LIBERO‑Plus：单臂 7 自由度机器人，40 项桌面操作任务，侧重精细操作鲁棒性；
- RoboTwin 2.0‑Plus：双臂 14 自由度机器人，50 项协作操作任务，侧重双臂协调稳定性。
七大类扰动维度
- 机器人初始状态扰动：关节位置、夹爪状态随机化
- 相机视角扰动：距离、角度、朝向变化
- 语言指令扰动：同义改写、增加干扰、目标式描述
- 光照扰动：颜色、强度、阴影、高光变化
- 背景扰动：材质、纹理、颜色替换
- 传感器噪声扰动：模糊、雾化、畸变
- 物体布局扰动：干扰物数量、目标位姿变化
评估指标
- 任务成功率：衡量扰动下的操作鲁棒性；
- 单块动作推理时间：衡量落地部署的实时性。
核心结果：四类关键发现
WAM 在视觉类扰动中具备显著鲁棒优势
在光照变化、图像噪声、背景杂乱、物体布局干扰等视觉外观类扰动下，WAM 表现明显优于普通 VLA。
在双臂任务 RoboTwin 2.0‑Plus 中，LingBot‑VA（WAM）整体成功率 74.2%，显著高于 π 0.5 \pi_{0.5} π0.5（VLA）的 58.6%；
在单臂任务 LIBERO‑Plus 中，Cosmos‑Policy（WAM）达到 82.2%，GE‑Act（WAM）达到 80.3%。
其核心原因是：WAM 从海量视频中学习到了时空动态先验，能够在画面外观发生变化时，依然抓住物体与场景的本质结构。
WAM 存在明确短板：几何配置类扰动鲁棒性不足
当扰动来自相机视角大幅变化、机器人初始关节姿态改变时，WAM 的鲁棒性明显下降，甚至低于部分 VLA 模型。
这是因为视频预训练只学习动态外观，无法覆盖相机几何、机器人运动学结构等物理本体配置变化，而这也是当前所有具身操作模型共同的技术挑战。
顶级 VLA 可通过数据多样性达到超越 WAM 的鲁棒性
π 0.5 \pi_{0.5} π0.5作为经典 VLA 模型，未使用世界模型结构，但依靠大规模多源数据训练（机器人数据 + 互联网图文与视频数据），在 LIBERO‑Plus 上实现 85.7% 的成功率，超过所有参评 WAM。
这一结果直接说明：显式世界建模并非鲁棒性的唯一来源，数据规模、多样性与训练策略同样可以让 VLA 达到顶尖水平。
混合架构的性能居中，融合方式决定上限
MOTUS、VLA‑JEPA 等在 VLA 基础上引入世界模型辅助任务的混合架构，鲁棒性高于普通 VLA，但低于纯 WAM。
这表明：简单拼接视频先验不足以发挥世界模型的全部能力，如何将时空动态先验高效融入 VLA，比 “是否融合” 更重要。
工程落地关键：WAM 推理速度存在数量级差距
论文给出了可直接用于工程选型的速度对比，以 π 0.5 \pi_{0.5} π0.5（63ms / 动作块）作为基准：
- GE‑Act：慢 4.8 倍
- Cosmos‑Policy：慢 6.2 倍
- LingBot‑VA（实机配置）：慢 7.6 倍
- MOTUS：慢 18.6 倍
- LingBot‑VA（仿真配置）：慢 83 倍
WAM 的速度瓶颈来自未来状态去噪：为了提升预测准确性，需要多次迭代去噪，鲁棒性越高，延迟越大。这使得 WAM 在需要高频、实时控制的场景中，目前难以直接部署。
机理总结：为什么两类模型表现不同？
论文将所有差异归结为三点底层逻辑：
预训练目标决定先验类型
VLA 擅长静态语义，WAM 擅长动态时序，这是性能分化的根源。
动作生成方式决定泛化路径
VLA 靠数据覆盖泛化，WAM 靠预测物理规律泛化。
计算流程决定落地代价
VLA 推理简单高效，WAM 预测步骤多、成本高。
研究结论与技术选型指南
本文最终给出中立且明确的结论：
WAM 在视觉干扰多、数据稀缺的场景更具优势，但对相机与本体几何变化敏感，且推理速度慢；
VLA 在数据充足、需要实时控制的场景更实用，顶级 VLA 的鲁棒性可超越 WAM；
混合架构是现阶段的折中方案，但仍需优化先验融合方式；
未来方向：提升 WAM 推理效率、增强模型对几何配置变化的鲁棒性、实现 VLA 与 WAM 的深度融合。
基于以上结论，可直接形成技术选型逻辑：
- 视觉干扰强、数据少、对实时性要求不高 → 选择 WAM
- 要求高速控制、硬件资源有限、已有大量机器人数据 → 选择成熟 VLA
- 希望平衡鲁棒性与速度 → 采用 VLA + 世界模型辅助的混合架构
重磅！
VLA+RL方向首个系统教程来啦！Online RL/Offline RL/test time RL等～
推荐阅读
我们用低成本的机械臂完成pi0/pi0.5/GR00T/世界模型等VLA任务～
VLA/VLA+触觉/VLA+RL/具身世界模型等！具身大脑+小脑算法与实战全栈路线来啦~
Diffusion Policy在具身智能领域是怎么应用的？为什么如此重要？
1v1 科研论文辅导来啦！
北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台
更多推荐
10
0- 0
已为社区贡献21条内容
所有评论(0)