- 类别
- VLA 模型
- 开放程度
- 开源
- 发布时间
- 2025 年 12 月
- 开源协议
- Apache-2.0
- 发布方所在地
- 中国
项目简介
清华大学等提出的统一隐动作世界模型。用混合 Transformer 结构整合理解、动作和视频生成三个专家,视频生成基于 Wan2.2-5B、理解部分基于 Qwen3-VL-2B,借助 UniDiffuser 式调度可在世界模型、VLA、逆动力学、视频生成和视频-动作联合预测等模式间切换。用光流学习隐动作,按三阶段流程和六层数据金字塔预训练,开源各阶段权重和训练代码。
- 规模
- 约 8B 参数(Wan2.2-5B 视频模型、Qwen3-VL-2B、约 6.4 亿参数动作专家和约 2.5 亿参数理解专家)
适配机器人
- AC-One
- Agilex-Aloha-2