世界动作模型（World-Action Model）是一类同时建模环境动态并直接输出机器人动作的基础模型，被视为连接视频生成与机器人控制的关键架构，正成为具身智能领域继 VLA（视觉-语言-动作模型）之后的又一技术路线。与只生成画面的世界模型不同，它把“预测世界如何变化”与“决定下一步做什么”统一在一个模型里，目标是让机器人从海量人类视频中习得通用操作能力。
世界动作模型的近期进展
当前焦点与观察点
世界动作模型目前处于类似大语言模型早期的阶段：预训练范式初步跑通，但可靠性、安全性和评估标准尚未成熟。值得关注的方向包括三个：一是人类视频预训练的数据效率与规模上限，Dyna-2 的零机器人数据结果是重要参照；二是对抗鲁棒性问题——TAPDreamer 显示的“成功率降到 0”意味着真实环境部署前必须有系统性的安全测试；三是后训练方法论的标准化，谁能先解决“广而不稳”到“稳定可靠”的跨越，谁就可能在具身智能的下一阶段占据先机。