文章摘要
银河通用发布全球首个面向具身智能大模型的WAM - TTT框架，让机器人“现学现上岗”。该框架解决了具身智能行业“部署泛化性衰减”难题，降低了跨场景部署成本。与传统架构相比，它实现四大突破，如降低数据依赖、无需人类动作标注等。此框架补全了企业技术拼图，也为具身智能规模化商业部署提供新路径。

近两年大模型领域的核心变化之一，就是不再依赖预训练一锤定音，部分能力留到推理阶段再兑现。从OpenAI o1到DeepSeek-R1，模型的推理提升都来自部署过程中的持续自我进化。但具身智能机器人面对的是比文本复杂得多的物理世界，一次动作误判就可能损坏抓取对象，想要让机器人像大模型一样在部署时进化，行业此前从未有人实现。

直到近期，这一难题终于被银河通用攻克。该公司正式发布了全球首个面向具身智能大模型的测试时后训练框架WAM‑TTT（World-Action Model Test-Time Training），首次将Test-Time Training（TTT）范式从自然语言处理和大语言模型领域，迁移到物理世界的机器人控制场景中。

简单来说，这套框架让机器人可以实现“现学现上岗”。不过这里的学习并非逐帧模仿具体动作，而是让机器人消化理解当前任务场景：先通过人类示范视频获取场景信息，将这些信息写入临时记忆模块，再结合自身已有的动作能力完成任务。这种方式既能让机器人适应新环境，又不会丢失原有技能，真正实现部署后的连续学习，也标志着具身智能正式开启后训练时代。

行业痛点与解决方案

当前整个具身智能行业都面临一个共同的核心痛点：机器人在实验室场景中可以熟练完成搬箱子等任务，但一旦更换环境或更换操作对象，就会立刻失效。这种训练时精通、部署时失灵的现象，就是学术界所说的“部署到真实场景中泛化性衰减”。更棘手的是，每更换一个部署点位，都需要重新采集数据、适配模型，流程既昂贵又缓慢，直接阻碍了具身智能的规模化落地。

WAM‑TTT正是为解决这一痛点而生。根据官方介绍，这是一套基于原始人类实拍视频、在推理阶段完成适配训练的轻量化TTT框架，兼具低成本和强泛化能力，首次系统性破解了跨场景、高效、规模化部署的行业难题。

我们可以用厨师的场景类比这套框架：如果把机器人比作一位出师的厨师，出厂时已经通过预训练掌握了扎实的基本功。当顾客希望厨师做一道从未做过的菜，并提供了教学视频时，普通的机器厨师会逐帧模仿学习，但WAM‑TTT的思路截然不同：它会先将顾客的需求和视频信息写入一张“便签”，再调用自身已有的厨艺能力，按照便签的指引完成菜品制作。这张“便签”就是WAM‑TTT的核心机制——独立的小型参数存储单元fast-weight memory（快速权重记忆）。

核心技术细节与训练流程

具体来看，WAM‑TTT的底座是预训练好的世界动作模型（World Action Model，WAM），内部由视频专家和动作专家两部分组成：前者负责理解当前画面中的场景信息，后者负责生成对应的机器人动作，二者通过联合注意力实现通信。需要注意的是，在整套流程中，WAM的主体权重全程保持冻结，不会随着学习过程更新，所有的学习操作都仅在快速权重记忆模块中完成。

整个训练流程分为两个核心阶段：

  • Meta-Training（离线元训练）阶段：这是机器人的出厂设置环节，团队借助成对采集的人类和机器人演示数据，通过Key-Value向量对实现自适应记忆，完成人类视觉线索与机器人行为的对齐。相当于教会厨师如何读懂顾客的“便签”，让机器人后续遇到新的示范视频时，可以自动理解并转化为可执行的动作。
  • Test-Time（线上测试时训练）阶段：这是用户实操环节，仅需要向机器人提供一段未标注的人类RGB视频，此时主WAM模型会完全锁死，仅更新轻量化的记忆模块参数。完成记忆更新后，WAM‑TTT会将学习到的操作逻辑结合相机观测画面，最终输出机械动作完成任务。

四大核心突破

对比传统架构，WAM‑TTT实现了四项关键突破：

第一，大幅降低机器人轨迹数据依赖。部署阶段无需再依赖昂贵的人工遥操作数据。以特斯拉Optimus为例，其训练数据长期依赖现场采集，加州弗里蒙特工厂需要上百人的团队每天轮班8小时，重复数百次相同动作，人力物力成本极高。而WAM‑TTT仅使用未标注的人类视频即可完成后训练，成本大幅降低的同时，任务完成度可以逼近甚至持平专业遥操作数据。在专门的数据比例消融实验中，当训练数据由100条机器人轨迹+100条人类视频组成时，任务平均成功率可达74.1%，与全部使用机器人轨迹训练的效果基本相当。这意味着在一定条件下，一段普通人的视频几乎可以1:1替代昂贵的机器人遥操作数据，显著降低了数据采集成本。

第二，无需人类动作标注。很多Human-to-Robot学习方法虽然也使用人类视频，但仍需要额外完成手部姿态估计等步骤。WAM‑TTT则完全跳过了这一环节，直接采用自监督学习，让模型自行理解任务过程。团队在对照实验中发现，添加人体姿态估计和动作重定向步骤后，四个任务的平均完成度仅为28.9%，比原始WAM-TTT低了43.4个百分点，尤其是在Table Bussing任务上，完成率直接从100%降至33.3%。

第三，不改模型不重新预训练。为验证这一设计，团队与两种主流方案进行了对比。第一组是WAM-COTRAIN，直接将人类演示数据混入联合训练，结果任务成功率仅为29.8%，甚至低于完全不使用人类数据的基线，说明人类视频不能简单作为新增训练数据加入预训练流程。另一组对照组是WAM-LoRA，使用通用的参数高效微调方法，但在Table Bussing和Swap Place两个任务上分别仅获得30%和0%的完成率，而WAM-TTT的完成率分别为100%和88.9%。相比重新训练模型或直接修改模型参数，冻结基础模型、仅通过快速权重完成部署阶段适应，不仅成本更低，也能更充分发挥人类视频的价值。

第四，不发生灾难性遗忘。这一点在跨环境评测中得到了充分验证。团队将WAM-TTT分别放在标准训练场景和未知的真实家庭环境中，原有能力保持率约为75.6%。作为对照，同样使用人类视频但仅通过In-Context Learning（ICL）提供上下文信息的方案，平均完成率从48.4%骤降至7.1%，性能保持率仅为14.7%。在进一步的细粒度测试中，当改变光照条件和物体空间位置时，WAM-ICL的完成率仅为12%~20%，而WAM-TTT仍保持在60%左右。这充分证明了权重适配对于保持原有能力稳定、实现跨场景泛化的关键作用。

为何银河通用能实现“首个”突破？

当前行业内的具身大模型玩家，比如Google RT系列、Figure、PI等，大多聚焦于优化VLA架构本身或打磨世界模型能力。今年上半年，具身智能整体才刚刚完成从技术验证到场景验证的跨越，任务泛化和数据稀缺仍是行业公认的两大核心瓶颈。

行业内的玩家并非不想使用TTT技术，而是很难做到。这中间隔着多道技术坎：文本世界中的token是离散的，生成错误可以重新采样，但机器人的动作空间是高维连续的，一个抓取动作的力度或角度稍有偏差，结果就会天差地别；文本场景对实时性要求不高，但机器人需要跟上物理世界的时间尺度，决策慢一拍就可能错过抓取窗口；更关键的是，机器人的物理交互一旦发生就不可逆。种种因素叠加，让具身TTT的实现难度极大，这也是WAM-TTT值得关注的核心原因。

行业此前普遍认为，让机器人变得更聪明需要不断扩大训练数据，但每新增一条数据都意味着额外成本。WAM-TTT选择了一条更高效的解法：与其不断扩大训练数据集，不如让机器人学会利用部署现场的信息。这一思路与近两年AI领域的发展趋势高度契合：过去行业相信Scaling Law，认为模型能力来自更大的参数、更多的数据和更长时间的训练，但从o1等推理模型开始，新的共识是模型能力来自推理阶段。WAM-TTT本质就是这一思想在具身场景中的复现。

银河通用并没有简单照搬大语言模型的TTT方法，既没有依靠上下文实现WAM-ICL，也没有直接蛮力学习人类视频走WAM-COTRAIN路线，而是巧妙以快速权重作为核心支点。最终事实证明，这一思路是正确的，团队成功打通了技术壁垒，让TTT首次在具身物理世界中发挥了关键作用。

补齐具身智能商业化最后一块拼图

这一突破对于银河通用自身的技术布局又有怎样的意义？答案要从公司的技术路线说起。银河通用自成立以来，始终坚持具身多模态大模型的技术路径。2025年，团队与北大合作在ICCV首次发布WAM模型，一举融合了世界模型和VLA两条主流技术路线，被行业公认为具身智能的下一代技术方向。2026年，团队进一步发布AstraBrain WAM系列进阶成果，并在后续的LDA-1B模型中，首次实现了互联网数据、人类视频、机器人遥操数据等异构数据的统一有效利用，让WAM首次具备了清晰的规模化训练路径。

如今WAM-TTT补上了最后一块技术拼图。它是银河星脑（AstraBrain）持续学习体系中最新规模化部署技术的关键模块，也是团队面向世界-动作模型（World-Action Model，WAM）的世界级原创性技术创造。预训练赋予机器人通用能力，后训练让机器人在掌握基础技能后快速适应新场景，二者的衔接让从预训练到部署后持续学习的技术闭环首次完整跑通。

从行业视角来看，WAM-TTT并非只是一次算法突破，更是将具身智能带到了规模化商业部署的门前。根据工信部、国务院国资委联合印发的《2026年度人形机器人与具身智能实景实训专项行动》，到2026年底，人形机器人产业将率先在一批代表性场景中完成规模化应用验证与常态化落地，而这一切的前提是降低部署成本。WAM-TTT恰好踩中了行业刚需：它将后训练环节的成本从遥操作级压缩至手机拍摄级，这类降本增效的基础设施能力，远比单点炫技更能决定商业化落地的速度。

综合来看，WAM-TTT的发布有着双重意义：往小了说，它首次证明机器人可以像大语言模型一样，在部署后继续学习、持续成长；往大了说，它为机器人的规模化落地提供了全新的技术路径。当机器人真正学会在真实世界中不断积累经验，银河通用乃至整个行业距离2028机器人ChatGPT时刻，又近了一步。

论文链接：https://arxiv.org/html/2607.06988v2

以上内容不代表本平台立场，仅供读者参考