AW-0模型：代码赋能机器人边规划边执行

近期，来自相关领域的研究推出了名为AW-0的模型，它将代码规划能力与世界动作模型（WAM）相结合，让机器人在执行任务时能够同步完成规划与动作输出，突破了传统模型的局限。该模型整合了两大核心系统的优势：世界动作模型可预测未来画面并输出动作，具备物理预见性；Agentic系统则擅长通过代码完成任务规划与技能库的动态调整。

一、架构：混合骨架与三位协同专家

AW-0的核心采用混合Transformer骨架，内部包含三位分工明确的专家模块，三者并非独立运行，而是在每一次去噪迭代中协同演化：

• 代码专家：基于预训练语言模型骨干，外接视觉编码器处理图像输入，通过掩码扩散算法生成可执行的技能程序；
• 视频专家：基于视频扩散模型初始化，通过连续流匹配算法预测未来场景画面；
• 动作专家：输出64维的连续动作控制块，实现机器人的肢体运动控制。

二、训练数据：自动标注管线的构建

训练这类模型需要海量带动作标注的视频数据，人工标注效率极低，因此研究团队设计了高效的自动标注管线：

1. 为每个任务抽取演示样本，由大型语言模型生成子任务级程序；
2. 通过协调模型将重复出现的操作套路提炼为可复用技能，构建包含50个技能的技能库；
3. 在标注剩余数据时，若子任务的运动模式已存在缓存则直接复用，无需重复标注。

三、仿真评测：在标准基准中全面领先

在RoboTwin 2.0仿真基准的50个任务上，AW-0的平均成功率达到50.7%，位列所有对比模型之首。两个关键细节值得关注：在干净的测试场景中，AW-0的成功率高达80.8%，比最强对比模型高出16个百分点；在加入视觉随机干扰的场景中，AW-0通过混合执行模式将成功率从20.6%提升至29.2%，证明代码直接执行的鲁棒性有效弥补了像素级预测的不足。

四、真机评测：双臂与灵巧手的双战线表现

在真实机器人平台的测试中，AW-0覆盖了两类主流机器人平台，共8个任务，每任务完成多次测试。整体来看，AW-0的平均成功率为71.1%，比最强对比模型高出25.1个百分点，且在所有任务中均表现最优。两条核心优势尤为突出：

• 语言跟随与语义推理：在需要按指令选物的任务和计数任务中，AW-0的优势明显，说明代码规划确实将语义能力融入了动作模型；
• 灵巧操作：在灵巧手平台上，AW-0保持了63.4%的成功率，其中解魔方任务达到72.1%，远超对比模型，体现了代码规划对长程精细动作的拆解作用。

五、消融实验：关键设计决策的验证

研究通过消融实验验证了三项核心设计的有效性：

• 注意力顺序：将代码模块放在最前端（C→V→A顺序）效果最佳，让视频与动作生成过程全程可读取语义计划，而非事后推理；
• 标注内容：包含注释与技能调用的完整程序在所有任务中均优于无注释代码与自然语言子目标，去掉技能调用后，部分任务成功率显著下降，证明可复用技能的增量价值；
• 生成范式：联合去噪模式在多数任务中优于自回归模式，同时推理速度提升2.39倍，仅小幅增加计算成本即可显著提升性能。

https://arxiv.org/pdf/2610.30136
https://agentic-wam.github.io/