预训练以想象，微调以行动：世界-行动模型的崛起
Pretrained to Imagine, Fine-Tuned to Act: The Rise of World-Action Models
摘要
该文为不熟悉VLA（视觉-语言-动作模型）与WAM（世界-动作模型）的读者提供快速词汇表。VLA是一种机器人策略，基于预训练的VLM（视觉-语言模型）主干，从视觉观测和语言指令生成动作，代表有Pi-0和GR00T N1。WAM则从预训练的世界模型或视频出发构建策略。
为不熟悉VLA/WAM术语的读者准备的快速词汇表
VLA 视觉-语言-动作模型（Vision-Language-Action model）：一种机器人策略，从预训练的VLM（视觉-语言模型）主干出发，将其适配为从视觉观测和语言指令生成动作。大规模VLM预训练是该方案的核心部分。参见Pi-0和GR00T N1。
WAM 世界-动作模型（World-Action Model）：一种从预训练的世界模型或视频出发的策略…
来源
译自 NVIDIA · Developer 博客 · 录于 二〇二六年六月十五日