人工智能大模型具身智能机器人【免费下载链接】EasyWAM-MoT-Joint-Wan22项目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-MoT-Joint-Wan22点击查看免费下载EasyWAM-MoT-Joint-Wan22 是一个基于 Wan2.2-TI2V-5B 底座构建的5B 级世界动作模型World Action Model全参数微调检查点。它采用独立的 Video DiT 与 Action DiT 双专家架构通过混合自注意力对未来视频 token 动作 token进行联合去噪在 LIBERO 机器人评测中以平均97.7%的成功率表现突出。本文面向新手讲清楚三件事这个仓库里有什么、全参数微调 vs LoRA该如何选型、以及模型许可与引用说明。先搞清楚MoT-Joint 架构是什么如果把世界动作模型理解为会做决策的视频生成器MoT-JointMixture-of-Transformers Joint的关键设计是双专家分工Video DiT 专家负责想象未来画面Action DiT 专家负责输出机器人动作混合自注意力两类 token 共享注意力交互实现联合去噪——预测视频和预测动作在一次前向中协同完成底座模型复用 Wan2.2-TI2V-5B5B 级文生视频 DiT用 EasyWAM 代码库训练得到。对于新手而言可以简单理解为它不是普通视觉策略网络而是一个看得懂未来、还能动手的 5B 级基础模型因此微调成本是选型时必须认真考虑的问题。 本仓库为只读发布仓库核心文件见 libero_mot_joint_wan22.pt检查点与 libero_dataset_stats.json数据集归一化统计。LIBERO 评测成绩一览全参数 vs LoRA以下数据来自 README.md均采用 EasyWAM 的 LIBERO 评测协议state_position: sequence成功率越高越好。全参数微调Full-Parameter结果模型SpatialObjectGoalLIBERO-10平均分EasyWAM-Unified98.498.899.298.098.6EasyWAM-MoT97.099.296.694.096.7EasyWAM-MoT-Joint本仓库98.298.097.696.897.7EasyWAM-MoT-IDM99.099.298.897.498.6EasyWAM-Hidden99.2100.097.898.298.8LoRA 微调Rank 128结果模型SpatialObjectGoalLIBERO-10平均分EasyWAM-Unified91.298.891.866.287.0EasyWAM-MoT96.899.697.490.095.9EasyWAM-Hidden98.099.889.486.693.5全参数 vs LoRA怎么选才不踩坑5B 级世界动作模型的参数体量决定了全参数微调效果上限高但显存与时间开销大LoRA 以少量可训练参数换取低成本。结合上面两张表给出如下选型建议算力充足、追求最高成功率 → 全参数微调全参数 MoT-Joint 四套件平均 97.7%且各子集96.8%~98.2%非常均衡没有出现明显短板。显存紧张、需要快速迭代 → LoRARank 128微调LoRA 版 EasyWAM-MoT 达到 95.9%与全参数版仅差 0.8 个百分点是性价比最高的组合。架构选择要跟着微调方式走注意 Unified 架构在 LoRA 下 LIBERO-10 骤降到 66.2%均值 87.0说明它对小参数微调并不稳健而 MoT 系列架构在两种微调方式下表现都稳定。选型时建议**MoT 系架构 预算内最高效的微调方式**。想要完整文件认准全参数检查点本仓库发布的 MoT-Joint 检查点为全参数版本.pt格式含 8 维状态、7 维动作的归一化统计LoRA 权重需基于 EasyWAM 代码库自行微调获得。一句话总结预算够就全参数拿满 97.7%预算紧就用 Rank 128 LoRA 换 95.9%架构优先选 MoT 系。快速上手下载检查点与运行评估确认选型后按以下步骤操作命令摘自 README.md下载检查点与统计文件hf download OpenMOSS-Team/EasyWAM-MoT-Joint-Wan22 \ libero_mot_joint_wan22.pt \ libero_dataset_stats.json \ --local-dir ./checkpoints准备环境安装 EasyWAM并按官方指南配置 Wan2.2-TI2V-5B 底座依赖与 LIBERO 仿真环境。运行 LIBERO 评估默认评估全部 4 个套件每任务 50 次试验python experiments/libero/run_libero_manager.py \ tasklibero_easywam_mot_joint_wan22 \ ckpt./checkpoints/libero_mot_joint_wan22.pt \ EVALUATION.dataset_stats_path./checkpoints/libero_dataset_stats.json 多卡评估时追加MULTIRUN.num_gpusgpu-count即可分发到多张 GPU。补充说明状态 token 放置方式为sequencelibero_dataset_stats.json 记录了 state8 维与 action7 维的 min/max、分位数、均值与标准差评估时的动作反归一化依赖这些统计量不要遗漏该文件。许可与引用说明EasyWAM 代码MIT License使用自由本仓库发布的检查点CC BY-NC 4.0署名-非商业性使用 4.0即可以用于学术研究与非商业用途商业使用受限⚠️ 检查点同时受其底座模型Wan2.2-TI2V-5B与训练数据各自条款约束商用前请一并核对。如果 EasyWAM 对你的研究有帮助请在论文中引用官方 BibTeX建议按仓库原文补充 url 字段misc{easywam2026, title {EasyWAM: A Unified and Efficient Framework for Training and Evaluating World Action Models}, author {EasyWAM-Team}, year {2026} }仓库文件清单文件说明README.md项目说明、评测结果、下载与评估命令libero_mot_joint_wan22.ptLIBERO 全参数检查点EasyWAM PyTorch.pt格式libero_dataset_stats.json数据集归一化统计state / action掌握全参数 vs LoRA的权衡、认准 CC BY-NC 4.0 的使用边界你就能在这套 5B 级世界动作模型上少走弯路把算力花在刀刃上。赞分享人工智能大模型具身智能机器人【免费下载链接】EasyWAM-MoT-Joint-Wan22项目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-MoT-Joint-Wan22点击查看免费下载相关推荐如何训练出自己的世界动作模型EasyWAM框架与EasyWAM-MoT-Wan22-LoRA-128自训完全指南如何训练出自己的世界动作模型EasyWAM框架与EasyWAM MoT Wan22 LoRA 128自训完全指南 世界动作模型 World Action MEasyWAM-Unified-Wan22-LoRA-128 vs MoT vs Hidden三种世界动作模型架构终极对比谁才是最优解EasyWAM Unified Wan22 LoRA 128 vs MoT vs Hidden三种世界动作模型架构终极对比谁才是最优解 EasyWAM U人工智能具身智能Refly CLI Workflow 命令详解从自然语言生成到节点级调试的 Agent 工作流操作指南Refly CLI Workflow 命令详解从自然语言生成到节点级调试的 Agent 工作流操作指南 本文以 Refly 仓库中 packages/cli/上一篇ELLA Diffusion革命性AI绘图技术让扩散模型拥有LLM级语义理解能力下一篇python-sdk 资源 URI 模板完全指南RFC 6570 操作符、路径安全策略与低层 Server 接入创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考