OpenWAM is a research stack for world–action models. It combines modular training, deployment and evaluation with controlled studies of how video priors and embodied pretraining affect robot control. Its OpenWAM-α model was pretrained on 518.5 million frames of egocentric and robot experience.

Grundinformationen

Modelltyp
Aktionspolicy
Architektur
WAM
Erfasste Versionen
OpenWAM-α · LIBERO

Modellhistorie

November 2026

CoachSI-Nachtraining von OpenWAM in RoboCasa365

Neue FähigkeitOffizielle Bekanntgabe

Forschende der University of Illinois Chicago starten OpenWAM im Ausgangszustand der Aufgabe. Das eingefrorene Qwen3.8-27B wählt für jeden Aktionsblock eine Anweisung. Erfolgreiche Trajektorien erhalten wieder die ursprüngliche Aufgabenanweisung und dienen zur Feinabstimmung. Die Auswertung nutzt separate Küchenszenen und nur die Aufgabenanweisung.

Aktuelle Bekanntgabe

18 Langzeitaufgaben mit 20 ungesehenen Szenen und je drei Versuchen ergeben 1.080 Episoden. Die Erfolgsquote ohne Hilfe steigt von 47,4 % auf 56,8 % mit rein bildbasiertem Coaching bei der Erhebung beziehungsweise auf 59,3 % mit Coaching anhand des Simulatorzustands. Trainiert wurde 3.000 Schritte mit Batchgröße 16, 80 % menschlichen Demonstrationen und 20 % Vergleichsdaten. Aktualisiert wurde nur die Selbstaufmerksamkeit des Video-Backbones, während das Aktions-Backbone eingefroren blieb. OpenWAM erreichte 79,2 % bei Einzelaufgaben. Die Vergleichsbedingungen mit zusätzlichen menschlichen Demonstrationen und selbst gesammelten Erfolgen erreichen 49,4 % und 51,9 %. Die variablen 20 % der Trainingsdaten umfassen jeweils 530 Stichproben pro Aufgabe. Je nach Bedingung stammen sie aus zusätzlichen Demonstrationen, selbst gesammelten Erfolgen oder Erfolgen mit Coaching. Das rein bildbasierte Coaching nutzt drei Kameraperspektiven. Mit dem korrekten nächsten Schritt war die Teilzielquote innerhalb von 320 Schritten 4,2-mal so hoch wie mit der ursprünglichen Anweisung. Die beiden Basisstrategien liefern zusammen 500 Stillstandszustände aus 15 Aufgaben. Als Stillstand gelten 320 Schritte ohne Fortschritt beim Teilziel. Aus jedem wiederhergestellten Zustand laufen je Anweisungsquelle sechs Fortsetzungen mit paarweise gleichen Seeds. Teilziele werden innerhalb von 320 Schritten und Aufgabenerfolge innerhalb von 640 Schritten gemessen.

Die Arbeit nennt öffentlich verfügbare OpenWAM-Gewichte ohne genaue Version, Checkpoint-ID oder Revision. Der Trainingscode ist angekündigt. Abgeleitete Gewichte und deren Lizenz sowie die Codelizenz bleiben ungeklärt.

OpenRAL überarbeitet die Dokumentation zu LIBERO rSkill v0.1.0 für OpenWAM-α

Neue RessourcenHerstellerangabe

Am 20. November um 04:37:41–42 Uhr (Taipeh) ergänzte OpenRAL die LIBERO-Simulationsergebnisse vom 29. Oktober im Manifest von v0.1.0. Die Modellkarte nennt jetzt ein absolutes Gelenkpositionsziel für den Arm und eine absolute Greiferposition. Geändert wurden nur diese beiden Dateien.

Zuvor veröffentlicht

Im ursprünglichen Manifest fehlte der Abschnitt benchmarks. Die ursprüngliche Modellkarte nannte zwei Gelenkpositionsziele für den Arm und eine Greiferposition.

Aktuelle Bekanntgabe

OpenRAL führte auf Jetson AGX Thor mit BF16, deaktivierter Kompilierung und Seed 0 je einen Durchlauf für zehn Aufgaben pro Suite aus. Spatial 10/10, Object 9/10, Goal 9/10, Long (libero_10) 10/10. Insgesamt 38/40 (95 %).

Arm- und Greiferziele beschreiben die Schnittstelle des rSkill-Adapters. OpenWAM sagt Änderungen am Endeffektor voraus, die der Adapter in 7-dimensionale LIBERO-OSC-Befehle umwandelt. Die vier Evaluationsdateien sind bytegleich mit der Erstveröffentlichung. Tabelle 13 des Originalpapers nennt 99,3 % nach dem vollständigen LIBERO-Protokoll der Autoren.

Alle wichtigen Änderungen ansehen →

Publikationen (1)

OpenWAM: An Open, Modular Exploration Towards Systematic World-Action Model Pretraining

Fachartikel verfügbar

arXiv: 2609.07398DOI: 10.48550/arxiv.2609.07398
Autoren und Einrichtungen (24)

Autorenreihenfolge: Originalreihenfolge

  1. Yuran Wang

    National University of Singapore

  2. Siqiao Huang

    Tsinghua University

  3. Mingleyang Li

    Peking University

  4. Chenhao Zhang

    Peking University

  5. Jiaqi Liang

    Peking University

  6. Weiyang Jin

    The University of Hong Kong

  7. Yue Chen

    Peking University

  8. Xuemin Chi

    Zhejiang University

  9. Donghao Zhou

    The Chinese University of Hong Kong

Erstveröffentlichung
2026-09-07
Neueste Revision
v1 · 2026-09-07
Konferenz / Zeitschrift
Nicht angegeben

Abgedeckte Modellversionen

Offizielle Quellen

Quelle oder Korrektur einreichen