EVO-WAM 让世界动作模型从自生成视频中自训练,RoboTwin 未见任务成功率从 26.9% 升至 68.0%
该工作提出 EVO-WAM 框架,通过状态预测与锚定多帧上下文实现无外部执行反馈的自回归 rollout,再用视觉语言模型筛选完成任务的前缀、用逆动力学模型校验视频-动作一致性,并迭代自训练世界动作模型;在 RoboTwin 2.0 的七个未见任务上把 Cosmos3 平均成功率从 26.9% 提升到 68.0%、DreamZero 从 28.5% 提升到 46.4%,在真实世界三个长程复合任务上把 Cosmos3 从 20.0% 提升到 76.7%。