一句话看懂：2026 年 10 月，alphaXiv 收录的论文提出 LAW 框架，把语言规划、动作生成与世界模型串成闭环，在 RoboTwin 的 50 项任务上平均成功率达 94.21%，长程真实机器人任务平均成功率 65%。它值得关注的地方在于，机器人长任务失败往往不是单步动作差，而是“做完没有、下一步做什么”的判断失灵。
事件核心：发生了什么
根据论文摘要，LAW 是一个闭环的视觉语言模型（VLM）与世界动作模型（WAM）框架，用“语义子任务进度”作为中间层：VLM 以混合专家方式承担剩余子任务规划、候选动作价值评估与执行状态判断；WAM 则通过 Transformer 专家混合结构同时建模视频与动作，并由双流分层视觉记忆维持时序上下文。系统在执行动作的同时异步判断当前子任务是否完成，越过 0.5 阈值后保存状态、重新规划并进入下一子任务。
数据方面，LAW 在 RoboTwin 50 项任务上平均成功率 94.21%；将 WAM 骨干替换为 OpenWAM-alpha 后升至 95.56%，论文称其刷新了 RoboTwin 开源最优成绩。论文仅 2B 参数的 VLM 在该评测条件下超过使用 Embodied-R1.5 和 GPT-5.5 High 的对比变体。三个长程真实机器人任务（Puzzle、Domino、Organize）平均完成率 65%，对比 π₀.₅ 的 28.33% 与 Fast-WAM 的 25%。需要说明，以上数字来自论文页面摘要，尚未等同于可公开复现的产品能力。
为什么重要
过去的世界动作模型侧重预测未来帧和动作，但长程操作还要回答“当前目标完成了吗”。LAW 把语义进度变成规划器与动作模型之间的接口，并用子任务局部价值学习复用失败轨迹中的成功前缀。这条路线说明，具身智能的竞争点可能从单步动作精度转向“规划—执行—状态判断”的系统协同；同时，小参数 VLM 被证明在特定任务上有效，也提示模型规模不是唯一变量。
对用户/开发者/创作者的影响
对机器人开发者，这套思路更接近可复用的工程范式：规划、价值评估和状态判断拆成异步模块，有利于在算力受限时提升推理吞吐。目前公开信息显示，论文未披露可用 API、开源权重或商业授权，因此短期不宜按“可直接接入”理解。对关注具身智能的创作者和企业，应把 RoboTwin 的 94% 与真实机器人 65% 分开看：前者是标准仿真基准，后者仅限三个任务、每项 20 次试验，样本仍小。
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。
值得关注的后续
一是 LAW 及 OpenWAM-alpha 是否开源、权重与训练代码是否可复现；二是论文评测能否扩展到更多真实场景和更长任务链；三是这种“语义进度闭环”是否被其他具身模型厂商跟进，进而改变 VLA/WAM 的技术选型。
来源：alphaXiv
