最先进的“视觉-语言-动作”（VLA）模型在语义泛化方面表现卓越，但在新颖环境中泛化至未见过的物理运动时仍面临挑战。为此，我们引入了 DreamZero，这是一种构建在预训练视频扩散底座上的世界动作模型（World Action Model, WAM）。与 VLA 不同，WAM 通过预测未来的世界状态与动作来学习物理动力学，并将视频视为世界演化的稠密表征。通过对视频与动作进行联合建模，DreamZero 能够从异构机器人数据中高效学习多样化技能，而无需依赖重复性的演示数据。 在真实机器人实验中，相比于最先进的 VLA 模型，DreamZero 在新任务与新环境中的泛化性能提升了 2 倍以上。至关重要的一点是，通过模型与系统优化，我们使一个 14B（140亿参数） 的自回归视频扩散模型能够以 7Hz 的频率执行实时闭环控制。最后，我们展示了两种形式的跨主体迁移（Cross-embodiment transfer）：首先，仅包含视频的跨机器人或人类演示数据，在仅有 10-20 分钟数据量的情况下，使未见任务的性能相对提升了 42% 以上；更令人惊叹的是，DreamZero 实现了少样本主体适配，仅需 30 分钟的游玩数据（Play data）即可适配至新主体，并同时保留其零样本泛化能力。 这是一份针对该论文引言（Introduction）部分的高标准学术翻译。我已根据你的要求，在术语准确性、学术风格和逻辑连贯性上进行了深度优化。

1. 引言 (Introduction)

近期，被称为“视觉-语言-动作”（Vision-Language-Action, VLA）模型的机器人基础模型，通过扩展预训练的视觉语言模型（VLM）来预测运动指令（Bjorck et al., 2025; Black et al., 2024; Brohan et al., 2023; Gemini Robotics Team, 2025; Kim et al., 2024）。虽然 VLA 成功继承了语言先验知识，从而实现了跨多样化语言指令的泛化——尤其是在操纵各类物体方面（Brohan et al., 2023），但它们在面对新颖环境，更关键的是在面对新动作或新技能时的泛化能力仍然有限（Guruprasad et al., 2025; Zhou et al., 2025）。 例如，借助于 VLM 预训练期间获得的互联网知识，VLA 可以识别目标位置并将其与机器人数据中学到的“移动”技能相结合，从而成功执行“将可乐罐移向泰勒·斯威夫特”的任务（Brohan et al., 2023）。然而，如果机器人训练数据中不存在“解开鞋带”这一特定技能，模型便会失效。尽管 VLM 先验在语义层面编码了“做什么”，但它们缺乏关于“如何执行动作”的表征，即缺乏与几何学、动力学和电机控制相一致的精确空间感知（Chen et al., 2024; Feng et al., 2025）。因此，如果不显式采集大规模的任务和环境特定动作数据，VLA 往往难以适应新环境，或难以泛化至专家演示分布之外的新任务。 在本文中，我们提出了 DreamZero，这是一个构建在预训练“图像到视频”扩散底座（Team Wan, 2025）之上的 14B（140亿参数） 机器人基础模型。我们将这种架构称为世界动作模型（World Action Model, WAM）——这是一种旨在以对齐方式同时预测动作与视觉未来状态的基础模型。WAM 初始化自在大规模网络视频数据上训练的视频扩散模型，利用丰富的时空先验，在语言指令和观测条件的约束下共同生成未来帧与动作。这使得动作学习从稠密的“状态-动作”模仿转向了逆动力学（Inverse Dynamics）——即让运动指令与预测的视觉未来相一致。 因此，我们观察到该方法实现了：(1) 从异构轨迹（Heterogeneous Trajectories）数据中进行高效学习（这些数据是在现实环境中执行有用行为时收集的，而非仅依赖精心重复的演示）；(2) 在新环境的新任务中实现零样本泛化；(3) 高效的跨主体迁移（Cross-embodiment Transfer）。 这种方法带来了三项核心进展，使 DreamZero 有别于以往的工作（包括其他 WAM 模型，如 Kim et al., 2026; Liang et al., 2025; Pai et al., 2025）： * 首先，DreamZero 开启了超越传统 VLA 和早期 WAM 的新型泛化能力——涵盖环境、任务及主体（见图 2 和图 3）。与最先进的预训练 VLA 相比，我们在环境和任务泛化基准测试中的平均任务进度提升了 2 倍以上。 * 其次，DreamZero 证明了可以从多样化的异构数据中有效学习通用策略，打破了“通用机器人策略每个任务需要多次重复演示”的传统认知。尽管其他 WAM 研究显示，相比 VLA，从视频预测中学到的先验能提高动作学习的样本效率（Liao et al., 2025; Pai et al., 2025），但大多数工作仍聚焦于重复演示。此外，即使在经过特定任务的后期训练（Post-training）后，DreamZero 仍保留了环境泛化能力，在平均任务进度上比最先进的 VLA 高出 10%。 * 最后，我们展示了两种形式的跨主体迁移。 第一，来自其他机器人（YAM）或人类的纯视频演示（Video-only demonstrations）在仅需 10-20 分钟数据的情况下，即可使目标机器人（AgiBot G1）在未见任务上的性能相对提升 42% 以上。第二，更令人惊讶的是，DreamZero 实现了少样本主体适配：一个在 AgiBot G1 上预训练的模型，仅需 30 分钟的**游玩数据（Play data）**即可适配到一个全新的机器人（YAM），并保留零样本泛化能力。据我们所知，这树立了高数据效率主体适配的新基准。

DreamZero 是一个采用教师强制分块视频去噪（Teacher-forcing Chunk-wise Video Denoising）目标训练的 14B 自回归扩散 Transformer。我们的架构分析表明，更大规模的预训练视频扩散模型能产生更高质量的视频预测，而这直接转化为更优越的下游动作执行——这表明策略性能从根本上受限于视频生成质量。我们进一步发现，训练数据的多样化分布对于泛化至关重要，在相同小时数的情况下，其表现优于多任务重复数据。此外，我们观察到自回归架构能带来更平滑的机器人运动，以及预测视频与执行动作之间更高的模态对齐度。 为了解决视频扩散模型固有的计算开销问题，我们引入了一套涵盖三个类别的优化方案：(1) 算法改进，包括解耦的视频与动作去噪调度（DreamZero-Flash）；(2) 系统级并行与缓存策略；(3) 底层优化，如量化和 CUDA 内核调优。这些技术共同实现了 38 倍的推理加速且未损失性能，使 DreamZero 能够以约 7Hz 的频率生成动作块，实现平滑的实时机器人控制。 我们的主要贡献如下：

我们引入了 DreamZero，这是一个 14B 规模的 WAM，通过联合预测视频与动作，实现了从多样化、非重复的机器人数据中进行高效学习。 * 与最先进的 VLA 相比，我们在未见过的动词和动作上展示了 2 倍以上的零样本泛化提升，同时保留了跨物体和跨环境的泛化能力。 * 我们提出了模型与系统优化方案，实现了 38 倍推理加速，支持 7Hz 的实时闭环控制。 * 我们展示了跨主体迁移能力：来自人类（12 分钟）或其他机器人（20 分钟）的纯视频数据使未见任务性能提升了 42% 以上；并引入了少样本主体适配——在 AgiBot G1 上预训练的模型仅需 30 分钟游玩数据即可适配至全新机器人（YAM）。 * 我们开源了模型权重、推理代码，以及运行公开现实世界基准（RoboArena）和仿真基准（PolaRiS 和 Genie Sim 3.0）的代码。