七大学がOpenWAMをオープンソース化：世界動作モデルのフルスタック枠組みと基盤重みを公開

機械之心の報道によると、シンガポール国立大学、清華大学、北京大学など七大学の研究チームがOpenWAMをオープンソース化した。モジュール型基盤のOpenWAM-Infra、対照実験研究のOpenWAM-Study、基盤モデルのOpenWAM-αで構成され、8つのシミュレーションベンチマークと3種類の実機ロボットプラットフォームをカバーし、事前学習済み重みとデータレシピも公開されている。

公開 2026/9/24更新 2026/10/25

主な変更

機械之心の報道によると、シンガポール国立大学、清華大学、北京大学など七大学の研究チームが、世界動作モデル（WAM）向けのフルスタック研究枠組みと基盤モデルとしてOpenWAMをオープンソース化した。プロジェクトは三層構成。OpenWAM-Infraは、組み合わせ可能なモデル（視覚エンコーダ、データフローバックボーン、可視性注意マスクを独立に差し替え可能で、単一システム・デュアルシステム・トリプルシステムアーキテクチャをサポート）、統一学習ランタイム（事前学習、微調整、チェックポイントからの再開に対応し、チェックポイントには完全な設定と動作正規化統計を保存）、デプロイランタイム（同一ポリシーサーバで異なるモデルを提供し、同期・非同期推論と複数のデノイズスケジュールをサポート）、評価プロトコル（LIBERO、LIBERO-Plus、VLABench、RoboTwin2.0、RoboDojo、RoboCasa365、EBench、RoboCasa-GR1の8つのシミュレーションベンチマークをカバー）を提供する。OpenWAM-Studyは固定予算の下で対照実験を行い、バックボーン容量の比較（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%）、情報フローのアブレーション（動作ストリームから世界ストリームへの一方向参照92.39%、双方向相互参照92.15%）、クロスドメイン身体性事前学習の結果（OOD成功率はゼロから14.50%、共訓練26.62%）を報告している。OpenWAM-αはWan2.2-VAEを凍結視覚エンコーダ、Wan2.2-TI2V-5Bを動画ストリームのバックボーン、1BパラメータのActionDiTを動作ストリームの処理に用い、80次元の統一動作空間を使用し、事前学習の実訓練セットは約5.185億フレーム、約6,369時間。論文はEBenchでSRとScoreが2位に約4ポイント差で先行し、単腕実機ロボットの6タスクで平均成功率82.5%を達成し、未見の器用な手の形態への微調整後の結果も報告していると述べている。

開発者への影響

ロボット学習に取り組む開発者にとって、影響は主に三点あり、いずれも出典報告に基づく推論であり、検証済みの事実ではない。第一に、統一動作空間と有効性マスクの組み合わせは、異なるプラットフォームの関節/エンドエフェクタ動作を固定スロットにマッピングすることで、形態をまたぐ微調整の際に動作ヘッドを書き直す必要をなくし、新しいロボットプラットフォームの接続コストを下げる。ただし、事前に動作と状態をスロットへマッピングする約束を完了する必要がある。第二に、出典が報告するデプロイデータ（同期推論、10ステップの合同デノイズ、固定形状コンパイル、CUDA Graph、速度キャッシュ、プロンプト埋め込みキャッシュ、制御パスのVAEデコードスキップにより、RTX 5090で単一動作チャンクあたり約170ミリ秒）は、推論スタックが固定形状とキャッシュに高度に最適化されていることを示す。入力解像度、動作チャンク長、バッチサイズが頻繁に変わる場合、こうした最適化の利得は明らかに減衰する。第三に、出典はWAMとVLAの役割分担を明確に指摘している。WAMは分布内タスクで訓練分布により適合し、VLAは分布外の撹乱下では通常より堅牢である。LIBERO-Plusでの低下は主にカメラとノイズの撹乱に集中し、事前学習データにおける類似の単腕撹乱サンプル比率が限定的であることと、ピクセル潜在空間での長期予測が視点ノイズに敏感であることに起因するとされている。これは、センサー配置が多様または高頻度で揺れる現場にWAMを直接使う場合、すぐに使える汎化を期待するのではなく、まず対象を絞ったデータ補強が必要であることを意味する。

導入と評価の提案

以下は提案と条件付き分析であり、出典が述べた事実ではない。提案一：動画バックボーンを差し替えるか否かは、計算予算と成功率差の許容度に依存する。出典は14Bバックボーンが5Bより1.40ポイント高いと報告し、5Bがデフォルトに選ばれている。したがって、単機・マルチGPUで頻繁に再学習する段階なら、まず5Bをベースラインとし、評価基準を同一のRoboTwin2.0構成・固定予算下で平均成功率が現行案を下回らないこととし、1回の学習と単一動作チャンクの推論遅延も記録する。高精度の長時間操作で安定した計算資源があるなら、14Bがノイズ水準を超える利得をもたらすかを検証する。提案二：双方向相互参照の情報フローを採用するかは、クロスドメイン身体性事前学習を行ったかによる。出典はゼロからの場合、世界から動作への一方向がやや優勢だが、事前学習後は双方向相互参照がドメイン内・ドメイン外でより安定すると報告する。したがって公式の事前学習重みを直接微調整するなら双方向相互参照構成を優先して再現し、小データからゼロで自分で学習するならまず一方向設定を比較する。評価基準はClean2Random系のランダム化設定での成功率とし、ドメイン内指標がベースラインから明らかに低下しないことを求める。提案三：一人称視点の人間データに投資するかは、ボトルネックがドメイン内精度か分布外汎化かによる。出典は事前学習がドメイン内の向上は限定的でOODの向上が顕著であり、単一ステージの共訓練が段階的よりやや優れると報告する。現場が新しい照明、新しい背景、新しいカメラ姿勢で特徴づけられるなら、人間の一人称視点とロボットの混合データを優先的に拡充し単一ステージで学習する。基礎的な把持失敗率が高いなら、まずロボット軌跡の動作アノテーション品質を補う。提案四：動作空間を接続する前に、小規模リプレイで80次元マッピングの未使用次元が有効性マスクで正しく遮蔽されることを検証し、その後で微調整後のタスク成功率を評価して、無効次元が訓練信号を汚染するのを避ける。

制限と未確認事項

OpenWAM-αのこのバージョンは現在KimiSeekのリアルタイムモデルカタログに存在せず、開発者は本サイトで直接呼び出せない。出典で言及されたモデルとデータの公開はHugging Faceなどのプロジェクトページを指し、本サイトでの可用性とは無関係である。出典の全性能数値（各バックボーンの平均成功率、EBenchの先行幅、実機ロボット成功率を含む）は論文著者の自己申告であり、本稿は独立に再現しておらず、統一条件下でこれらの手法と再比較もしていない。異なるバックボーンは構造、データ、目的が完全には同一ではなく、出典自身も利得を単純にパラメータ数に帰属できないと注意している。実機ロボットの結果は研究チームの実験プラットフォームから得たもので、タスク集合、評価プロトコル、ハードウェア構成は生産現場と大きく異なり、直接外挿できない。出典報告の「トップ層」などの表現はベンチマークごとの完全な順位を欠き、読者は論文のパネルデータを基準にすべきである。プロジェクトがオープンソースライセンスを採用しているか、重みが商用利用を許可しているかは出典で説明されておらず、重みがダウンロード可能であることはオープンソースライセンスの取得を意味しない。リポジトリとモデルカードの実際の条項に従う必要がある。再現性は事前学習重み、データレシピ、評価プロトコルが完全に取得できるかに依存し、出典は公開済みと述べているが、実際の完全性と今後の維持方針は依然不明である。データソースの配布ライセンスも再訓練用途を制限する可能性がある。