OpenWAM研究团队推出世界—动作模型框架，将视频预测与机器人控制放在共同架构中，支持比较“先预测画面再行动”等不同生成方式。项目要解决的问题是：现有系统采用不同的主干、数据集和训练方法，难以判断预测与控制如何配合更有效。团队同时提供训练、评估及视频到动作组合代码，并开放预训练视频模型权重。
据项目页介绍，OpenWAM从Wan2.2-5B出发，在约334万条轨迹及录像、1.464万小时源视频上进行因果预训练，内容涵盖真实与合成机器人操作、人类引导操作和人类交互。这一阶段只使用视频，不使用动作标签或本体感知输入，训练耗时为32块NVIDIA B200 GPU运行14天。
随后，团队把50亿参数的视频专家与20亿参数的动作专家组成混合Transformer（MoT）。同一架构支持四种程序：先视频后动作（VTA）、先动作后视频（ATV）、联合生成（Joint），以及未来视频与动作令牌之间不互相注意的解耦生成（Decoupled）。比较时，主干、令牌化方式、训练目标和下游训练流程保持一致。
发布方自测显示，VTA在四个LIBERO任务集上的平均成功率为98.6%。在LIBERO-Long上，相比原始Wan2.2初始化，机器人视频预训练后的VTA成功率从68.4%升至97.8%，Joint从62.2%升至96.6%。不过，这组实验同时引入了机器人视频数据和因果注意力，不能将增益单独归因于其中一项。
真机实验使用两台Franka Research 3机械臂，执行烤面包、完成2×2魔方最后一层、按颜色分杯三项任务。发布方报告，VTA与Joint的平均成功率分别为92.1%和91.9%。
OpenWAM还支持独立训练的逆动力学模型（IDM）和前向动力学模型（FDM）：前者把给定的未来画面转成动作，后者预测给定动作序列会产生什么画面。团队构建了LIBERO-Long-CF，在十个任务中恢复模拟器状态、尝试包含失败情况的替代动作，得到32,000个反事实片段。
据发布方自测，在四个超出IDM训练任务集的LIBERO-90任务上，使用相同混合监督数据的局部上下文IDM平均成功率为84.0%，全上下文IDM为47.0%。实验只冻结并复用IDM；视频预测器仍经过目标任务示范数据训练，且使用了动作标签。
前向预测方面，发布方报告，相比仅用示范数据训练，仅用反事实数据训练使RGB预测均方误差降低34.5%，在16个候选未来中识别正确结果的准确率从21.1%升至71.3%。项目页将动力学组件的复用从仿真扩展至真机、将前向预测从局部转移扩展至长时程规划列为后续挑战。
