依意思最接近的 6 筆
OpenWAM 是一個面向世界-動作模型的開放框架，讓影片預測與動作生成按不同順序組合，也能把獨立訓練的影片預測器、逆動力學模型（IDM）與前向動力學模型（FDM）在推理時拼接。它基於 Wan2.2-5B 適配機器人影片，在約 334 萬條軌跡、14640 小時影片上預訓練，用 32 張 NVIDIA B200 訓練 14 天，再以 5B 影片專家加 2B 動作專家組成 MoT 架構加入控制。
尤拉永珍與香港科技大學（廣州）聯合開源具身模型 UniWAM（統一世界與動作模型），將語義理解、未來視覺預測與動作生成納入統一架構，並首次揭示人機聯合訓練的 Scaling 趨勢。模型在 LIBERO 取得 99.2% 平均成功率、LIBERO-Plus 92.6%、RoboTwin 2.0 C2R 68.32%，真機在雙臂 AgileX Piper 平台上平均任務成功率 67.5%、指令跟隨率 82.5%，長程桌面整理進度得分 5.0/6。程式碼與權重已全部開源。
斯坦福李飛飛、吳佳俊等團隊發布開源世界動作模型框架 OpenWAM，用共享底座加可切換的互動方式，回答 WAM 裡究竟是哪個設計帶來提升。框架基於阿里 Wan2.2-5B，先在約 334 萬條、約 1.46 萬小時機器人影片上做因果化預訓練，再用 MoT 拼起 5B 影片專家與 2B 動作專家，支援四種先想或先動的互動程式。因果底座把 LIBERO-Long 成功率從 68.4% 拉到 97.8%，配反事實資料的區域性 IDM 遷移到新任務平均達 84.0%。
宇樹機器人發布通用人形基礎模型 UnifoLM-WLA-1.0，引數 6B，用約 2500 小時真實機器人資料訓練，單個模型可完成 64 項任務（10 項全身 + 54 項桌面），並支援平行夾爪與兩種靈巧手。架構上以基於 Qwen3-VL 的具身推理器 UnifoLM-ER-1 為起點，加入光流與 VQ-VAE 的未來動態區域預測、殘差 VQ 動作離散化，以及 MMDiT 動作專家做連續控制。演示在宇樹 G1 上完成鋪床、裝洗衣機、疊衣服、物體分揀等操作。
AI 讓 unikernel 重新變得可行：過去要自己為應用手寫 TCP、HTTPS、儲存等庫，現在可以用 agent 把缺失的庫移植過來。文中舉例，把 Go 的 Stripe 庫移植成 OCaml，或讓 agent 用 Rust 重寫 mkfs.xfs，輸出與磁碟格式逐位元組一致，只花了幾小時。安全性上，unikernel 沒有 shell 和直譯器，攻擊面更小，常見的 drive-by RCE 會變成需要原始碼的定向攻擊；
Apple 研究員 awnihannun 在社交平台發布一首短詩，稱因「未來會 foom」而上調自己的 P(doom)，即 AI 導致人類滅絕的主觀機率。詩中還提到中文房間、shoggoth 與死神之眼等 AI 圈內梗，未給出具體數值或論證。