1. 模擬引擎——作為交互式模擬器運行，生成用于機器人學習的合成數據；
2. 策略增強——連接動作頭，通過預測未來與世界模型的交互過程，進一步優化決策性能。

團隊展示了機器人的部署情況：

官方表示，UnifoLM-WMA-0屬于Unitree機器人統一大模型系列成果，專為通用機器人學習量身打造，可以適配多種機器人本體。

目前，UnifoLM-WMA-0 開源了訓練代碼、推理代碼、模型 Checkpoints。GitHub 已收獲 100+ Star。

微調和訓練

宇樹團隊也發表了 UnifoLM-WMA-0 的訓練步驟。

首先，團隊在 Open-X 數據集上微調視頻生成模型，將其生成能力調節至與機器人作業場景適配。 模型接收圖像及文本指令，生成與文本指令對應的未來動作視頻。

這是微調模型在測試集上的生成效果：

支持兩種運行模式的策略架構

隨后他們提出了一種基于世界模型的策略架構，同時支持兩種運行模式:

1. 決策模式: 提供機器人與環境進行物理交互的預測信息, 輔助策略生成動作；
2. 仿真模式: 基于機器人動作生成高保真環境反饋。

這是訓練后 UnifoLM-WMA 在下游任務數據集上的決策模式，團隊在下游任務數據集上分別做了后訓練優化:

團隊還公開了五個模型訓練的開源數據集。測試結果顯示，模型作為仿真引擎，可根據"當前圖像"及一定數量的“機器人未來動作”，實現交互可控生成。

生成結果與原視頻對比如下所示:

實現通用機器人任重道遠

宇樹宣稱“世界模型—動作”架構將完整開源并持續更新。此開源架構旨在推動具身智能發展，加快通用機器人實現的進程。

作為人形機器人領域以硬件實力著稱的企業，宇樹在軟件層面的布局同樣備受關注。創始人兼CEO王興興表示，公司在具身智能模型研發上依然保持謹慎投入。雖然企業規模已顯著擴大，但與大型AI公司相比，宇樹的投入仍有限。

王興興指出，目前機器人硬件總體“夠用但不夠好”，若要實現規�；瘧�用、更低成本和更高可靠性，仍需不斷完善。而在他看來，具身智能模型研發是當前的核心任務，現階段模型遠未成熟，無法滿足行業需求。

在談到訓練數據時，他表示，與大語言模型依靠大規模高質量數據快速提升不同，機器人領域在模型與實體對齊上存在更大挑戰，因此對AI模型能力的要求更高。

他強調，具身智能的突破并非資源和資金投入的單一比拼，過去的經驗已證明，中小團隊同樣可能取得領先成果。