人工智能具身智能机器人【免费下载链接】EasyWAM-MoT-Wan22项目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-MoT-Wan22点击查看免费下载本文带你认识EasyWAM-MoT-Wan22——一个基于 Wan2.2-TI2V-5B 基座、采用 Mixture-of-TransformersMoT架构的**世界动作模型World Action Model, WAM**开源 Checkpoint 仓库并手把手讲解如何用 EasyWAM 代码库复现 LIBERO 评测结果、以及如何在此基础上做扩展与微调。什么是 EasyWAM-MoT-Wan22在动手之前先花一分钟理解这个项目的三个核心概念世界动作模型WAM模型同时理解世界会如何演化视频/状态预测和机器人该怎么做动作预测是模仿学习领域的新范式。Mixture-of-TransformersMoTEasyWAM-MoT 使用独立的 Video DiT 与 Action DiT 两个专家两者的 token 通过**混合自注意力mixed self-attention**交互让看懂世界和输出动作各司其职。免视频推理推理时模型只预测动作、不生成未来视频大幅降低部署开销非常适合真实机器人场景。该仓库发布的是用 EasyWAM 代码库 训练出的 MoT Checkpoint完整说明见 README.md。仓库结构一览4 个文件各司其职这个仓库非常精简只有 4 个文件每个都有明确用途文件类型说明README.md文档项目说明、评测结果、下载与评测命令libero_mot_wan22.pt全参 CheckpointLIBERO 全参数版 EasyWAM-MoT 权重libero_mot_wan22_lora_128.ptLoRA CheckpointLoRA 版权重rank 128, alpha 128libero_dataset_stats.json归一化统计LIBERO 数据集的 state / action 统计量评测时必传几点关键设定State-token 放置方式state_position: sequence所有结果均基于该配置Checkpoint 格式EasyWAM PyTorch checkpoint.ptLoRA 细节LoRA 施加在 backbone Video DiT 的 target modules 上其余可训练的 EasyWAM 模块也保存在同一 Checkpoint 中⚠️重要提醒LoRA Checkpoint不包含完整的 Wan2.2 主干权重。加载或评测前必须先下载 Wan2.2-TI2V-5B backbone 权重并配置好路径具体方法见 EasyWAM 代码库中的 Wan2.2 backbone 指南docs/instructions/backbone/wan22.md。LIBERO 基准成绩MoT 架构有多能打以下数据来自 EasyWAM 的 LIBERO 评测协议任务成功率 %越高越好 标记本仓库发布的架构全参数Full-Parameter模型SpatialObjectGoalLIBERO-10平均EasyWAM-Unified98.498.899.298.098.6 EasyWAM-MoT97.099.296.694.096.7EasyWAM-Hidden99.2100.097.898.298.8LoRARank 128——差距拉大的关键场景模型SpatialObjectGoalLIBERO-10平均EasyWAM-Unified91.298.891.866.287.0EasyWAM-MoT96.899.697.490.095.9EasyWAM-Hidden98.099.889.486.693.5解读在显存受限只能用 LoRA 的场景下EasyWAM-MoT 平均 95.9% 的成功率比 Unified 架构高出约 9 个百分点是低成本微调的首选架构。此外 LIBERO-Plus 的鲁棒性评测背景、光照、噪声等 7 个维度结果可在 README.md 中查看。快速复现指南从零跑通 LIBERO 评测第一步克隆仓库获取 Checkpointgit clone https://gitcode.com/OpenMOSS/EasyWAM-MoT-Wan22 cd EasyWAM-MoT-Wan22第二步安装 EasyWAM 并准备依赖评测代码在 EasyWAM 代码库中按 README 指引依次完成三件事安装 EasyWAM按 EasyWAM 的 Wan2.2 backbone 指南docs/instructions/backbone/wan22.md下载并配置Wan2.2-TI2V-5B权重路径按 LIBERO 评测指南docs/instructions/benchmark/libero.md搭好模拟器环境第三步一键运行评测全参数 Checkpointpython experiments/libero/run_libero_manager.py \ tasklibero_easywam_mot_wan22 \ ckpt./checkpoints/libero_mot_wan22.pt \ EVALUATION.dataset_stats_path./checkpoints/libero_dataset_stats.jsonLoRA Checkpoint注意task要换成对应的_lorarecipepython experiments/libero/run_libero_manager.py \ tasklibero_easywam_mot_wan22_lora \ ckpt./checkpoints/libero_mot_wan22_lora_128.pt \ EVALUATION.dataset_stats_path./checkpoints/libero_dataset_stats.json多卡分布式评测追加MULTIRUN.num_gpusGPU数量即可。默认协议会对全部 4 个 LIBERO 套件、每个任务跑 50 次试验。✅如何基于 EasyWAM-MoT 扩展你自己的任务复现完成后你可以沿着这几个方向做扩展换基座BackboneMoT 架构与 Wan2.2 是解耦的参考 EasyWAM 文档切换其他视频生成基座只需重新准备 backbone 权重路径。调整任务配方Task RecipeLoRA Checkpoint 必须用带_lora后缀的 task 加载因为其中混存了其他可训练模块。扩展新任务时遵循同样的Checkpoint 结构与 recipe 严格匹配原则。接入自定义数据集用 EasyWAM 的工具统计你自己数据集的 state / action 分布生成类似 libero_dataset_stats.json 的归一化文件其中包含stepwise_min/max、q01/q99、mean/std等统计量训练与评测时通过EVALUATION.dataset_stats_path传入。调 LoRA 超参当前发布配置为 rank 128 / alpha 128可在资源允许时实验不同 rank观察 LIBERO-10 子集上的稳定性差异。常见坑点速查问题原因与解决加载 LoRA 报缺权重LoRA 不含完整 Wan2.2 主干先下载 backbone 并配置路径结果对不上确认state_position为sequence且task与 Checkpoint 类型匹配动作异常漂移检查是否传入了正确的EVALUATION.dataset_stats_path归一化统计许可与引用EasyWAM 代码MIT License本仓库 CheckpointCC BY-NC 4.0受基座模型与训练数据条款约束若在你的研究中使用了 EasyWAM请引用misc{easywam2026, title {EasyWAM: A Unified and Efficient Framework for Training and Evaluating World Action Models}, author {EasyWAM-Team}, year {2026} }掌握以上内容你就能用 EasyWAM-MoT-Wan22 快速起步世界动作模型研究与二次开发了。赞分享人工智能具身智能机器人【免费下载链接】EasyWAM-MoT-Wan22项目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-MoT-Wan22点击查看免费下载相关推荐BettererFileTest深入指南如何按行精准追踪代码问题并自动更新基线BettererFileTest深入指南如何按行精准追踪代码问题并自动更新基线 Betterer 是一个让增量改进代码库变得简单的开源工具它的核心思路是终极bufferline.nvim开发者指南扩展与贡献代码的完整教程终极bufferline.nvim开发者指南扩展与贡献代码的完整教程 bufferline.nvim是一款为Neovim打造的时尚缓冲区管理插件它通过LuaWand-Enhancer 免费解锁 WeMod 专业版告别每天 2 小时倒计时完整指南Wand Enhancer 免费解锁 WeMod 专业版告别每天 2 小时倒计时完整指南 周五晚上十点刚摸到隐藏地牢门口弹窗却不请自来——今日免费使用桌面应用前端AI 应用上一篇1张GPU卡如何同时服务20个容器Flex:ai本地vGPU虚拟化快速上手指南下一篇hibase32-cj API完整参考6个核心函数的参数、返回值与用法示例速查创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考