Unified world-action model上級
UniWAM、VLMと世界モデルと行動予測を統合したロボット基盤モデルを提案
UniWAMは、物理推論を担うVLM、未来映像を生成する世界モデル、行動予測器を単一のMixture-of-Transformersアーキテクチャに統合したロボット基盤モデルである。ロボットデータ約4958時間、人間の一人称データ約5072時間、VQAデータ約8.293M件を事前学習し、LIBERO標準で平均99.2%、LIBERO-Plusで92.6%、RoboTwin 2.0で平均71.73%を達成した。本論文はプレプリントであり、査読済みではない。実機評価では4つの指示追従タスクで成功率67.5%、指示追従率82.5%を報告し、人間とロボットの共訓練に対数線形のスケーリング則を確認した。