WLA-0让机器人先想再动
Gradio · x · 2026-07-12
研究者提出了 **WLA-0**，一个统一的世界-语言-行动模型，输入文本、图像和机器人状态，先预测子任务、再生成动作，用来把世界建模与语言推理结合起来。 ### 主要结果 - 在长程任务上取得了较强表现：**RoboTwin2.0 92.9%**、**RMBench 56.5%**。 - 论文还展示了一个关键消融：如果去掉“先用文字规划再行动”的步骤，成功率会从 **56% 降到 17%**，说明这一步非常重要。 - 模型可以**直接从机器人视频学习**，不需要动作标注。 - 推理速度约 **40ms/次**，在 **RTX 5090** 上运行。 ### 论文要点 - 目标是把**世界建模、语言推理、动作合成**统一到同一框架中。 - 通过逐步预测的方式，让模型既能理解环境，也能生成可执行动作。 - 适用于长时序、需要规划的机器人任务。