UniWAM：融合物理推理、世界生成与动作预测的统一世界-动作模型

UniWAM 提出一种统一架构，将物理推理器、世界生成器与动作预测器结合，共同学习物理世界的语义理解、视觉生成和动作预测。论文针对人类第一视角数据与机器人数据建立了数据清洗与标注流程，用自然语言表示低层动作，并在后训练中引入未来视觉噪声增强与基于历史条件的 flow matching，以减少去噪步数并保持性能。