Siete universidades publican OpenWAM: marco integral y pesos base para modelos de acción del mundo
Según informa Machine Heart, equipos de siete universidades, entre ellas la Universidad Nacional de Singapur, la Universidad de Tsinghua y la Universidad de Pekín, han publicado OpenWAM de código abierto, que incluye la infraestructura modular OpenWAM-Infra, el estudio experimental controlado OpenWAM-Study y el modelo base OpenWAM-α, abarcando ocho benchmarks de simulación y tres tipos de plataformas robóticas reales, junto con pesos preentrenados y recetas de datos.
Qué ha cambiado
Según informa Machine Heart, un equipo de investigación de siete universidades, entre ellas la Universidad Nacional de Singapur, la Universidad de Tsinghua y la Universidad de Pekín, ha publicado OpenWAM de código abierto, definido como un marco de investigación integral y modelo base orientado a modelos de acción del mundo (WAM). El proyecto se divide en tres capas: OpenWAM-Infra ofrece modelos componibles (codificador visual, backbone de flujo de datos y máscara de atención de visibilidad sustituibles de forma independiente, con soporte para arquitecturas de sistema único, doble y triple), un entorno de entrenamiento unificado (preentrenamiento, ajuste fino, reanudación desde puntos de control, con checkpoints que guardan la configuración completa y las estadísticas de normalización de acciones), un entorno de despliegue (un mismo servidor de políticas aloja distintos modelos, con inferencia síncrona/asíncrona y diversos calendarios de eliminación de ruido) y un protocolo de evaluación (que cubre ocho benchmarks de simulación: LIBERO, LIBERO-Plus, VLABench, RoboTwin2.0, RoboDojo, RoboCasa365, EBench y RoboCasa-GR1). OpenWAM-Study realiza experimentos controlados con presupuesto fijo y reporta comparativas de capacidad del backbone (Wan2.1-VACE-1.3B 90,14%, Cosmos-Predict2.5-2B 91,64%, Wan2.2-TI2V-5B 92,39%, Wan2.1-I2V-14B 93,79%), ablaciones del flujo de información (flujo de acción mirando unidireccionalmente al flujo del mundo 92,39%, visión bidireccional mutua 92,15%) y resultados de preentrenamiento encarnado entre dominios (tasa de éxito OOD desde cero 14,50%, entrenamiento conjunto 26,62%). OpenWAM-α usa Wan2.2-VAE como codificador visual congelado, Wan2.2-TI2V-5B como backbone del flujo de vídeo y un ActionDiT de 1B parámetros para el flujo de acción, con un espacio de acción unificado de 80 dimensiones, y el preentrenamiento utilizó aproximadamente 518,5 millones de fotogramas y unas 6.369 horas. El artículo afirma que lidera al segundo clasificado por unos 4 puntos porcentuales en SR y Score en EBench, alcanza una tasa de éxito media del 82,5% en seis tareas con un robot real de un solo brazo y reporta resultados tras ajuste fino en una morfología de mano hábil no vista previamente.
Impacto para desarrolladores
Para los desarrolladores en aprendizaje robótico, el impacto se centra en tres puntos, todos ellos inferencias basadas en lo reportado por la fuente y no hechos verificados. Primero, el enfoque de espacio de acción unificado más máscara de validez asigna acciones de articulaciones/extremo de distintas plataformas a ranuras fijas, de modo que el ajuste fino entre morfologías no requiere reescribir la cabeza de acción, lo que reduce el coste de integración al añadir nuevas plataformas robóticas, a cambio de tener que completar primero la convención de mapeo de acciones y estados a ranuras. Segundo, los datos de despliegue reportados por la fuente (inferencia síncrona, eliminación de ruido conjunta en 10 pasos, mediante compilación de forma fija, CUDA Graph, caché de velocidad, caché de incrustaciones de prompts y omisión de la decodificación VAE en la ruta de control, con unos 170 milisegundos por bloque de acción en una RTX 5090) indican que su pila de inferencia está muy optimizada para formas fijas y cachés; si tu resolución de entrada, longitud del bloque de acción o tamaño de lote varían con frecuencia, el beneficio de este tipo de optimizaciones se degradará notablemente. Tercero, la fuente señala explícitamente la división de funciones entre WAM y VLA: WAM se ajusta mejor a la distribución de entrenamiento en tareas dentro de la distribución, mientras que VLA suele ser más robusto ante perturbaciones fuera de la distribución; el descenso en LIBERO-Plus se concentra en perturbaciones de cámara y ruido, y se atribuye a la proporción limitada de muestras similares de perturbación de un solo brazo en los datos de preentrenamiento y a la mayor sensibilidad al ruido de punto de vista de la predicción a largo plazo en el espacio latente de píxeles. Esto implica que usar WAM directamente en entornos con diseños de sensores variables o vibración de alta frecuencia requiere refuerzo de datos específico, en lugar de esperar generalización inmediata.
Integración y evaluación
Lo siguiente son recomendaciones y análisis condicionales, no hechos declarados por la fuente. Recomendación uno: si sustituir el backbone de vídeo depende de tu presupuesto de cómputo y de tu tolerancia a la diferencia en tasa de éxito. La fuente reporta que el backbone de 14B supera al de 5B en 1,40 puntos porcentuales, y que el de 5B fue elegido como predeterminado; por tanto, si estás en una fase de una sola máquina con varias GPU y reentrenamiento frecuente, usa primero el 5B como línea base y establece el criterio de evaluación en una tasa de éxito media no inferior a tu solución actual bajo la misma configuración de RoboTwin2.0 y presupuesto fijo, registrando además la latencia de un solo entrenamiento y de inferencia por bloque de acción. Si tu tarea es manipulación de alta precisión y larga duración y ya cuentas con cómputo estable, verifica entonces si el 14B aporta una ganancia superior al nivel de ruido. Recomendación dos: si adoptar el flujo de información de visión bidireccional mutua depende de si has realizado preentrenamiento encarnado entre dominios. La fuente reporta que desde cero el flujo unidireccional del mundo a la acción tiene una ligera ventaja, mientras que tras el preentrenamiento la visión bidireccional mutua es más estable dentro y fuera del dominio; por tanto, si ajustas directamente los pesos preentrenados oficiales, deberías reproducir primero la configuración bidireccional mutua; si entrenas desde cero un modelo pequeño con pocos datos, deberías comparar primero la configuración unidireccional. Se sugiere establecer el criterio de evaluación en la tasa de éxito bajo configuraciones de aleatorización tipo Clean2Random, exigiendo que las métricas dentro del dominio no muestren un descenso evidente respecto a la línea base. Recomendación tres: si invertir en datos en primera persona humana depende de si tu cuello de botella es la precisión dentro del dominio o la generalización fuera de la distribución. La fuente reporta que el preentrenamiento mejora poco dentro del dominio y de forma notable en OOD, y que el entrenamiento conjunto en una sola etapa es ligeramente superior al entrenamiento por etapas. Por tanto, si tu entorno se caracteriza por nueva iluminación, nuevos fondos o nuevas poses de cámara, deberías ampliar prioritariamente datos mixtos de primera persona humana y robot y hacer entrenamiento en una sola etapa; si tu problema es una alta tasa de fallo en agarres básicos, deberías mejorar primero la calidad de anotación de acciones en las trayectorias del robot. Recomendación cuatro: antes de integrar el espacio de acción, valida con reproducciones a pequeña escala que las dimensiones no utilizadas del mapeo de 80 dimensiones se enmascaran correctamente con la máscara de validez, y luego evalúa la tasa de éxito de la tarea tras el ajuste fino, para evitar que dimensiones inválidas contaminen la señal de entrenamiento.
Límites y cuestiones pendientes
La versión OpenWAM-α no aparece actualmente en el catálogo de modelos en tiempo real de KimiSeek, por lo que los desarrolladores no pueden invocarla directamente en este sitio; los modelos y publicaciones de datos mencionados en la fuente apuntan a páginas de proyecto como Hugging Face, sin relación con la disponibilidad en este sitio. Todas las cifras de rendimiento de la fuente (incluidas las tasas de éxito medias de cada backbone, la ventaja en EBench y las tasas de éxito en robots reales) provienen de lo declarado por los autores del artículo; este texto no las ha reproducido de forma independiente ni ha vuelto a compararlas con estos métodos en condiciones unificadas; los distintos backbones no son completamente idénticos en estructura, datos y objetivos, y la propia fuente advierte que no se puede atribuir simplemente la ganancia al número de parámetros. Los resultados en robots reales provienen de la plataforma experimental del equipo de investigación, y el conjunto de tareas, el protocolo de evaluación y la configuración de hardware difieren bastante de un entorno de producción, por lo que no pueden extrapolarse directamente. Expresiones de la fuente como «primera línea» carecen de una clasificación completa por benchmark, y los lectores deberían guiarse por los datos de los paneles del artículo. La fuente no aclara si el proyecto adopta una licencia de código abierto ni si los pesos permiten uso comercial; poder descargar los pesos no equivale a obtener una licencia de código abierto, y hay que atenerse a los términos reales del repositorio y de las tarjetas de modelo. La reproducibilidad depende de si los pesos preentrenados, las recetas de datos y el protocolo de evaluación pueden obtenerse íntegramente; la fuente afirma que se han publicado, pero el grado real de completitud y la estrategia de mantenimiento posterior siguen siendo desconocidos; las licencias de distribución de las fuentes de datos también podrían limitar tu uso para reentrenamiento.