【免费下载链接】OpenWAMOfficial repository for OpenWAM: An Open, Modular Exploration Towards Systematic World–Action Model Pretraining.项目地址https://gitcode.com/gh_mirrors/op/OpenWAM点击查看免费下载OpenWAM-α 是基于 5.185 亿帧约 6400 小时人类与机器人第一视角数据预训练的开源世界-动作模型World-Action Model, WAM。本指南带你完成一次完整的OpenWAM 微调从环境搭建、一键下载预训练权重到用一条train.sh命令把权重迁到 LIBERO 等下游任务最后部署验证微调产物全程只需修改两个参数。为什么值得微调 OpenWAM-α站在 6400 小时的肩膀上模型已学会通用的世界动态与动作先验微调收敛速度远快于从零训练统一的 80 维动作契约左右臂、灵巧手、夹爪都有固定槽位下游任务只需写一张维度映射表完全模块化视频主干、动作主干、注意力掩码全部通过 Hydra 配置文件切换无需改代码微调前置准备一键下载资源1️⃣ 克隆仓库并搭建环境git clone https://gitcode.com/gh_mirrors/op/OpenWAM cd OpenWAM # conda 环境要求 Python 3.10 conda create -n openwam python3.10 conda activate openwam推荐安装 PyTorch 2.7.1 CUDA 12.8然后安装项目本身deepspeed会在安装时现场编译需要系统里有gccpip install -e . 如果你更想用容器方式跑训练和推理服务可以查看 assets/openwam_usage_docs/docker.md。2️⃣ 下载三类必备资源资源下载命令存放位置视频主干默认 Wan2.2-TI2V-5Bpython scripts/download_assets/download_video_backbone.pyassets/video_backbone_ckpt/LIBERO 基准数据python scripts/download_assets/download_benchmark_data.pyassets/benchmark_data/libero/OpenWAM-α 预训练权重python scripts/download_assets/download_openwam_checkpoints.pyassets/openwam_ckpt/openwam_alpha/所有下载脚本都带交互菜单也支持--yes参数无人值守运行并会自动回填对应的 YAML 配置路径不用手动改。一条命令完成 OpenWAM-α 微调4 步速通Step 1获取基础权重运行上面的 checkpoints 下载脚本选择OpenWAM_Alpha → OpenWAM-Alpha-Pretrain-Foundation-Model把得到的目录记作foundation_ckpt_dir_path。Step 2启动微调bash scripts/train.sh \ dataloaderlibero \ training.finetune_ckpt_pathfoundation_ckpt_dir_path✅就这一条命令。默认的模型配置dual_system / joint_self_attnwan22_ti2v_5b视频主干与预训练权重完全匹配其余全部走 configs/train.yaml 的默认值。两个关键参数说明training.finetune_ckpt_path从该目录加载最新权重热启动step 从 0 计数输出写入全新目录也可直接写在 train.yaml 里效果相同configs/dataloader/libero.yaml 中num_frames33video_stride4会自动推出 32 步动作窗口无需额外指定 action chunkStep 3查看训练产物默认输出到outputs/openwam_checkpoints每 2000 步自动保存一次 checkpointsave_steps可调。想先快速验证流水线可加training.debugtrue跑一个 20 步的调试模式。Step 4部署并验证bash scripts/deploy.sh ckpt_dir_path服务起来后另开一个终端跑单请求自检ping → 一次预测 → resetpython scripts/inference_test/inference_single_test.py \ --server ws://127.0.0.1:8848 --test --state-dim 10之后按 benchmarks/libero/README.md 安装 LIBERO 评测客户端即可跑完整基准。60 秒看懂 α 动作契约微调不是随便喂数据OpenWAM-α 对输入有固定契约LIBERO 等已支持的 dataloader 已内置处理契约项取值说明动作/状态维度80左臂 0:34、右臂 34:68含 EEF 位置、rot6d 旋转、夹爪、灵巧手 24 关节68:80 预留归一化min-max固定压到 [-1, 1]统计量在训练集上拟合并随 checkpoint 保存帧采样num_frames33/video_stride433 源帧抽 9 帧视频 32 步动作窗口夹爪约定-1 全闭 / 1 全开左右夹爪槽位统一自建数据集时在 openwam/dataloader/registry.py 注册 reader、在configs/dataloader/下加一个 YAML含unify_action_map映射表即可完整字段参考 assets/openwam_usage_docs/openwam-alpha-finetuning.md。常见问题GPU 显存不够finetune 和 resume 有区别吗 显存紧张怎么办— 在 configs/train.yaml 中调整调小batch_size默认 16或增大gradient_accumulation_stepsuse_gradient_checkpointing默认已开启激活重算省显存显存还是不够可开use_gradient_checkpointing_offload: true或offload_optimizer_device: cpu finetune 和 resume 不是一回事—finetune_ckpt_path开启的是新一轮训练step 归零、新输出目录resume_ckpt_path是恢复完整训练状态优化器/调度器/RNG且要求源目录开启了save_full_states_for_resume: true。两者互斥别混用。 需要多少卡— 官方推荐 8 × 80GB GPU少卡也可以用环境变量收窄NPROC_PER_NODE4 bash scripts/train.sh ...启动器见 scripts/train.sh。相关文件速查用途路径OpenWAM-α 微调专题文档assets/openwam_usage_docs/openwam-alpha-finetuning.md训练启动脚本scripts/train.sh训练参数配置学习率、显存、checkpointconfigs/train.yamlLIBERO dataloader 配置configs/dataloader/libero.yaml预训练权重下载脚本scripts/download_assets/download_openwam_checkpoints.py部署脚本scripts/deploy.sh训练与部署综合指南assets/openwam_usage_docs/train-and-deploy.md从克隆仓库到看到第一个成功预测整个过程就是装环境 → 下资源 → 一条train.sh命令。剩下的交给那 6400 小时的预训练。赞分享【免费下载链接】OpenWAMOfficial repository for OpenWAM: An Open, Modular Exploration Towards Systematic World–Action Model Pretraining.项目地址https://gitcode.com/gh_mirrors/op/OpenWAM点击查看免费下载相关推荐OpenWAM-α 预训练研究518.5M 帧、6400 小时数据如何沉淀 World-Action 预训练原则OpenWAM α 预训练研究518.5M 帧、6400 小时数据如何沉淀 World Action 预训练原则 OpenWAM α 是开源 World AcSolon-embeddings-base-0.1-openmind在商业应用中的成功案例研究打造多语言智能检索系统的终极指南Solon embeddings base 0.1 openmind在商业应用中的成功案例研究打造多语言智能检索系统的终极指南 Solon embeddingGluonCV 预训练模型导出实战一条命令把 Python 模型部署到任何环境GluonCV 预训练模型导出实战一条命令把 Python 模型部署到任何环境 导读 GluonCV 的模型导出工具允许你 一条命令 把 Model Zoo计算机视觉深度学习预训练创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考