【免费下载链接】EasyWAM-MoT-Wan22-LoRA-128项目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-MoT-Wan22-LoRA-128点击查看免费下载EasyWAM-MoT-Wan22-LoRA-128 是 EasyWAM 项目发布的一个机器人世界动作模型World Action Model检查点它基于 Wan2.2-TI2V-5B 视频骨干使用 rank-128 的 LoRA 在 LIBERO 基准上训练。本文带你了解这个模型是什么、成绩有多强以及如何用一条命令跑通 LIBERO 成功率评测适合刚接触世界动作模型的新手。 这个模型是做什么的世界动作模型World Action Model的核心思路是让模型既能看懂视频中的物理世界又能直接输出机器人动作。EasyWAM-MoT 采用Mixture-of-TransformersMoT架构使用两个独立的专家Video DiT负责视频建模预测未来的视觉状态Action DiT负责动作生成输出机器人的控制指令两类 token 通过混合自注意力mixed self-attention相互交互。而本项目发布的正是该架构在LoRA 微调rank128, alpha128下的检查点文件 easywam_mot_wan22_lora_128.pt也就是说你不需要从头训练直接加载这个.pt文件即可在 LIBERO 上跑评测。关键信息可以在 README.md 中查到。 LIBERO 成功率成绩一览在 EasyWAM 的 LIBERO 评测协议下该检查点在四个任务套件上的成功率%表现非常亮眼模型SpatialObjectGoalLongAvg.EasyWAM-MoT全参数97.898.497.695.697.4 EasyWAM-MoTLoRA Rank 12896.898.894.490.495.1可以看到LoRA 版本仅用很小的参数量就保留了全参数模型约 95% 的平均成功率这也是该检查点最有价值的地方。更多对比数据包括 LIBERO-Plus 协议下的表现见 README.md 的 Results 部分。 评测工作流三步跑通 LIBERO 测试整个评测流程分为三步下载检查点 → 准备环境 → 运行评测命令。第一步下载检查点文件仓库中的 easywam_mot_wan22_lora_128.pt 就是评测所需的权重文件。如果本地没有可以用 Hugging Face 命令下载hf download OpenMOSS-Team/EasyWAM-MoT-Wan22-LoRA-128 \ easywam_mot_wan22_lora_128.pt \ --local-dir ./checkpoints第二步准备评测环境评测代码位于 EasyWAM 代码库中需要先准备好三样东西Wan2.2-TI2V-5B视频模型权重作为视频骨干LIBERO评测环境四个任务套件Spatial / Object / Goal / Longdataset_stats.json与训练时匹配的数据统计文件用于动作归一化具体准备方式请参照 EasyWAM 官方的 LIBERO 指南位于 EasyWAM 代码库的docs/libero.md。如果代码库不在本地可以先克隆本项目仓库获取检查点git clone https://gitcode.com/OpenMOSS/EasyWAM-MoT-Wan22-LoRA-128第三步一条命令启动评测环境就绪后进入 EasyWAM 代码库根目录执行评测入口脚本python experiments/libero/run_libero_manager.py \ tasklibero_easywam_mot_wan22_lora \ ckpt./checkpoints/easywam_mot_wan22_lora_128.pt \ EVALUATION.dataset_stats_pathpath-to-matching-dataset_stats.json这条命令做了三件事参数含义tasklibero_easywam_mot_wan22_lora指定任务配置EasyWAM 会据此自动创建匹配的 LoRA 模块ckpt指向第一步下载的.pt检查点路径EVALUATION.dataset_stats_path指定与训练匹配的数据统计文件路径一个容易忽略的细节加载该检查点时EasyWAM 会自动根据任务配置创建 LoRA 模块并完成合并你无需手动处理 LoRA 的注入逻辑。命令的详细出处见 README.md 的 Evaluation 部分。⚙️ 检查点关键参数速查评测前可以先确认检查点规格避免配置不匹配。完整参数见 README.md 的 Checkpoint Details 部分架构EasyWAM-MoT双专家混合注意力骨干模型Wan2.2-TI2V-5B训练方式LoRArank 128alpha 128训练数据LIBERO双相机 224 px训练步数20,000 步动作维度 / 状态维度7 / 8文件格式EasyWAM PyTorch checkpoint.pt 常见问题与小贴士dataset_stats.json对不上会怎样动作反归一化会出错评测成功率可能异常偏低请务必使用与训练数据匹配的版本。为什么用 LoRA 版本而不是全参数版显存和部署成本更低且如成绩表所示平均成功率仅比全参数低约 2.3 个百分点。结果如何解读每个任务套件通常跑 50 个任务取成功率四个套件分别对应空间推理、物体操作、目标跟随和长时序规划能力。许可证提醒该检查点基于 cc-by-nc-4.0 许可发布商用前请阅读 README.md 中的 License 说明。✅ 小结EasyWAM-MoT-Wan22-LoRA-128 提供了一个开箱即用的世界动作模型评测样例MoT 双专家架构 Wan2.2 视频骨干 LoRA 高效微调在 LIBERO 上取得 95.1% 的平均成功率。按照本文的三步流程——下载检查点、准备环境、运行run_libero_manager.py命令——你也能快速在自己的机器上复现这份成绩并开始探索世界动作模型的评测工作流。赞分享【免费下载链接】EasyWAM-MoT-Wan22-LoRA-128项目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-MoT-Wan22-LoRA-128点击查看免费下载相关推荐EasyWAM-MoT-Wan22 LoRA (Rank 128)完全指南轻量微调如何在LIBERO拿下95.9%成功率EasyWAM MoT Wan22 LoRA Rank 128 完全指南轻量微调如何在LIBERO拿下95.9%成功率 EasyWAM MoT Wan22 仓人工智能具身智能机器人EasyWAM-MoT-Wan22 全参数检查点 3 条命令实操首次运行 LIBERO 评估完整流程EasyWAM MoT Wan22 全参数检查点 3 条命令实操首次运行 LIBERO 评估完整流程 EasyWAM MoT Wan22 是基于 Wan2.2人工智能具身智能机器人从基准测试到真实机器人EasyWAM-MoT-Wan22-LoRA-128部署实战指南从基准测试到真实机器人EasyWAM MoT Wan22 LoRA 128部署实战指南 EasyWAM MoT Wan22 LoRA 128 是一个面向机器人创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考