一句话看懂：NVIDIA 研究人员提出用视频世界模型替代视觉语言模型，作为机器人操作策略的骨干网络，形成“世界动作模型（WAM）”，让机器人理解物理规律而非仅模仿示范动作，从而在陌生环境中更好地泛化。
事件核心：发生了什么
NVIDIA Generative AI Blog 发表文章，系统梳理了机器人操作策略从 VLA（视觉-语言-动作模型）向 WAM（World Action Model）演进的技术逻辑。传统 VLA 以预训练视觉语言模型为骨干，虽然能理解场景语义和语言指令，但无法预测场景如何随时间演化——例如杯子被夹爪握住后会怎样、毛巾如何折叠、物体释放后会落在哪里。WAM 则将骨干替换为视频世界模型，让模型在学习动作之前先学习世界动态。
作为支撑，NVIDIA 发布了 Cosmos 3 世界基础模型，采用 Mixture-of-Transformers（MoT）架构，可同时处理文本、图像、视频、音频和动作等模态。它提供 4B（Edge）、16B（Nano）、64B（Super）三种尺寸，训练数据包括约 7.67 亿张图像、3.48 亿段真实世界动态视频，以及 800 万个动作样本，覆盖机器人操作、自动驾驶、相机运动和第一人称运动。基于 Cosmos 3 Nano 微调得到的 Cosmos3-Nano-Policy-DROID 是一个 160 亿参数的机器人策略模型，面向 Franka Panda 机械臂与 Robotiq 夹爪平台。
为什么重要
这一转向触及机器人泛化能力的根本瓶颈。VLM 骨干被优化用于“描述”世界，而非“预测”世界如何变化；VLA 在语义泛化上表现良好，但在物理泛化上受限——物体形状、位置、光照一旦改变，策略容易失效。WAM 因为骨干已经具备物理先验，微调时不需要从零学习动力学，而是将既有物理理解适配到具体任务上。
NVIDIA 研究员 Jim Fan 在演讲中将其概括为“VLAs are dead, long live World Action Models”，这并非断言 VLA 立即被淘汰，而是强调预训练骨干的选择决定了策略能力的上限。对行业而言，WAM 路线可能改变机器人数据的价值逻辑：多样化交互数据（如推、抓、放）都能成为训练信号，而非要求大量同任务示范，这在数据采集成本极高的机器人领域具有实际意义。
对用户/开发者/创作者的影响
对机器人开发者和研究团队，WAM 的吸引力在于数据效率与迁移能力。一个已经理解物理互动的模型，适配新机械臂或夹爪时只需少量示范数据；同时，跨场景的物理行为（如物体下落、滑动）具有通用性，模型可将在训练场景中学到的动态规律迁移到未见过的环境。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对使用机器人云服务或自动化方案的企业，这意味着未来机器人策略的部署成本可能下降——如果 WAM 预训练模型能像大语言模型一样通过后训练快速适配具体工位，定制化机器人方案将不必为每个场景重新采集大量示范数据。目前公开信息显示，Cosmos 3 及 DROID 策略模型的具体开放方式和授权条款尚未完全披露，实际开发者体验仍有待验证。
值得关注的后续
一是 DROID 微调模型能否在真实物理环境中稳定复现论文中的零样本表现，这比 Bench 数据更值得追踪；二是 Cosmos 3 的开源策略，NVIDIA 是否会像 Cosmos 系列前代一样提供开放权重，将直接影响开发者社区能否围绕 WAM 形成生态；三是数据规模是否成为新壁垒——7.67 亿图像与 3.48 亿视频覆盖真实世界动态，这类物理世界数据集的积累速度可能决定不同玩家在 WAM 赛道上的起跑位置。
