一句话看懂：论文 AW-0 提出“智能体世界动作模型”，把代码、视频和动作三条生成流放进同一架构联合预测，在 8 个真实双臂操作任务上平均评分 71.1%，比 DreamZero 高 25.1 分。这说明技能复用与物理预测可以在一个模型里衔接，但论文还未转化为可用产品。
事件核心：发生了什么
据 alphaXiv 收录的论文（标注发布时间 2026-10-21），AW-0 将代码、未来视频和机器人动作作为三条耦合生成流，共用一个 mixture-of-transformers 架构：代码专家生成参数化技能程序与控制逻辑，视频专家预测未来视觉状态，动作专家输出底层运动指令。在去噪过程中，代码从掩码逐步补全，视频和动作从噪声开始同步精炼，并采用“代码→视频→动作”的注意力顺序，使计划能同时影响想象画面和执行动作。
训练数据并未手工编写程序，而是用编码智能体为机器人和人类第一视角演示打上子任务对齐的程序标签，再由协调器把重复流程蒸馏成技能库，最终得到 50 个技能（YAM 机器人 23 个、人类数据 27 个），预训练约用 2,000 小时 YAM 数据与约 1,000 小时人类操作数据。论文称，在 RoboTwin 2.0 和真实双臂任务上，其表现优于 VLA 与 WAM 基线。
为什么重要
当前机器人世界模型能预测未来画面，但缺少可组合的技能复用机制；代码式智能体擅长规划和调用技能，却往往“不懂物理”。AW-0 尝试让代码在预测阶段就介入，而非只在执行阶段当脚本，这为“规划—预测—执行”一体化提供了可检验的技术路线。
需要区分的是：论文中默认模式只是让生成的计划作为动作专家的条件，并不直接执行脚本；混用模式才把有效代码段交给感知和控制原语运行，失败时回退到连续动作块。所以它更像模型内部的“程序先验”，不是通用机器人编程接口。
对用户/开发者/创作者的影响
对机器人开发者和具身智能团队，值得关注的是“自动标注生成可复用技能库”这条数据管线：它可能降低为新任务编写技能逻辑的成本。但论文指标是评分表累计分，反映子步骤完成度，不等于完整任务成功率；结果限定在每任务 100 条演示后训练、三个随机种子、每次 16 次 rollout、随机初始物体位姿的条件下，不能外推为永久排名。
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。
对普通用户和内容创作者，目前公开信息显示这只是研究论文，尚未提供 API、产品界面或可直接调用的技能库，短期不宜按“可买到的机器人能力”理解。
值得关注的后续
一是 AW-0 是否开源模型权重、数据管线或 50 项技能库，这决定开发者能否复现；二是混合执行模式在长任务和复杂接触场景中的稳定性与回退频率；三是 DreamZero 等联合视频—动作模型是否跟进引入代码流，以及真实双臂基准上是否出现更统一的评测口径。
来源：alphaXiv
