Hugging Face、世界行動モデルのオープン研究スタック「OpenWAM」を公開

世界行動モデル（World-Action Models）は、動画生成の事前知識から世界知識を継承し、身体性を伴う経験を通じて実行可能な制御信号へと変換します。しかし既存のシステムはモノリス型であり、生成バックボーン、視覚表現、アーキテクチャ、情報フロー、推論手順、学習データが密結合しています。その結果、どの設計選択が重要なのか、そしてなぜそうなるのかを明確に把握することが困難です。

我々は OpenWAM を提案します。これは世界行動事前学習を制御された実験プログラムへと転換するオープンな研究スタックです。OpenWAM-Infra は WAM の設計空間を、統一されたトレーニング、推論、デプロイメント、評価が可能なコンポーザブルなモジュールに分解します。

この基盤上で OpenWAM-Study は、制御実験を通じて 3 つの問いを検証しました。すなわち「何を継承すべきか」「世界学習と行動学習はどのように相互作用するか」、そして「その相乗効果はどうスケーリングされるか」です。これらから得られた 3 つの原則を抽出します。

第一に、十分な能力を持つ生成バックボーンと、コンパクトで情報密度の高い潜在空間を通じて、上位層の知識が転移されます。

第二に、世界と行動の相乗効果には、専用の行動容量、明示的な世界から行動への情報フロー、そして同期された共同ノイズ除去が必要です。

第三に、身体性を伴う事前学習は主にドメイン外での汎化性能を向上させます。特に、第一人称視点データとロボットデータを統合したワンステージの共学習が、世界の網羅性と行動の接地（グラウンディング）を実現します。

これらの原則を組み合わせて構築されたのが OpenWAM-αです。これは約 6,400 時間の第一人称視点人間データおよびロボットデータで事前学習されたオープンな世界行動モデルであり、シミュレーションと実世界のベンチマーク両方で評価されています。

単腕や両腕の操作、そして器用なハンドまで多様なロボット形態をカバーする8つのシミュレーションベンチマークと実機実験において、OpenWAM-αは常に卓越したパフォーマンスを発揮し、シミュレーションから物理世界に至るまでトップクラスの地位を維持しました。今後の研究を促進するため、インフラストラクチャ、評価プロトコル、事前学習済みモデル、データレシピを含むフルスタックを公開します。