NVIDIA 探讨机器人学习的 WAM 与 VLA 模型

NVIDIA 研究人员在直播中探讨了用于机器人学习的 World Action Models 与 Vision-Language-Action 模型，并展示 Cosmos 3 将动作作为原生模态，使机器人能预测未来观测的同时生成动作。Cosmos 3 提供开放工作流，支持微调、评估和部署。

机器人基础模型此前多依赖单一方法，而 WAM 和 VLA 各有优劣。Cosmos 3 将动作作为原生模态，并开源模型、数据集和配方，可能改变机器人策略的训练与部署方式，值得关注。

WAM 侧重于世界动态预测，VLA 则将视觉、语言和动作关联，二者互补。Cosmos 3 将动作视为与视频并列的原生模态，使模型能同时预测未来观测和生成动作，通过开放工作流降低定制门槛。

对机器人产品团队，Cosmos 3 提供开源模型与工具，可能降低开发成本和时间。但证据未提及具体性能或商业条款，影响程度仍待验证。

• 评估 Cosmos 3 在自家机器人策略上的微调效果
• 借助其开放工作流搭建内部评估和部署管线
• 关注 WAM 与 VLA 混合架构在操控任务中的案例

• Cosmos 3 的具体开源许可和商用条款是什么？
• 与现有 VLA 模型相比，性能基准如何？
• 直播中提到的示例是否可复现，有无数据集细节？