清华与 NVIDIA 提出 PrismWAM:语义、物理、动作三路分离的世界模型
jiqizhixin · x · 2026-11-04
清华大学与 NVIDIA 研究者提出 PrismWAM 世界模型,核心思路是场景外观与物理状态不必混为一谈,将语义规划、物理 rollout 与动作生成分离。
- 表征分工:RGB 特征描述任务上下文与目标,基于深度的表征建模几何变化;链式注意力(Chain Attention)让信息从语义流向预测的物理状态再到动作,而非让动作模块直接读 RGB。
- 成绩与变体:探索性 15B 版 PrismWAM 在 RoboTwin 随机化条件下成功率 75.50%,干净+随机化平均 83.67%——这些亮眼数字属于大变体,主模型约 6B。
- 预训练表述:作者提醒该方法的预训练宣称需精确,它避免使用具身动作预训练。
配图为 PrismWAM 架构图,展示 RGB VAE/Depth VAE 双塔与 Chain Attention 的训练/推理注意力掩码。
「具身」频道最新
- 用 Gaussian Splatting+AI 做真游戏，作者称可用于训练机器人 — willeastcott · 2026-11-04
- 多指机器人手演示弯曲伸展协调动作，灵巧度再进一步 — burhop · 2026-11-04
- DHR 工程机器人接管 3D 打印农场，实现全自动不间断打印 — lukas_m_ziegler · 2026-11-04
- Liber-0 机器人模型零样本操作 60 项任务,总体成功率 36% — heyshrutimishra · 2026-11-04
- 30 天交付人形机器人系统：六支专业团队协作的实战复盘 — yongqianme · 2026-11-04
- Claude Code 做 CAD:开源 SOMA 用户破千,9 分钟设计书架出施工图 — Pr8tham · 2026-11-04