berkeley_ai 转发介绍 AW-0 智能体世界动作模型

berkeley_ai 账号对外转发了全新的 AW-0 世界动作模型技术资料，这款模型把代码规划、未来视频预测、机器人动作轨迹三者整合到统一框架内，依靠混合 Transformer 架构实现多模态联合降噪，能够自动提炼可复用的机器人操作技能，在夹持器与灵巧手操控任务里都能稳定发挥，整体综合表现超越传统 VLA 与 WAM 基准模型，给通用机器人智能体提供了全新的技术路线。传统机器人模型大多只能做视觉到动作的直接映射，缺少对物理场景变化的预判，很难把多步操作拆解成标准化技能程序，而且视频画面、动作指令、执行代码相互独立，没办法同步优化，面对复杂双手操控任务时泛化能力不足。AW-0 针对性解决了这类问题，搭建起三分支联合生成结构，同时配套自动化数据标注流水线，把大量人机演示视频自动转换成可执行的技能代码，持续扩充机器人技能库。下面从模型整体架构、三大分支功能、数据处理流程、实测任务效果、落地应用场景这几个部分展开完整说明。

一、AW-0 世界动作模型整体架构

AW-0 采用混合 Transformer（MoT）统一架构，设置三条并行生成分支，三个分支互相联动、同步完成降噪生成，整体结构分为两大核心模块。

1. 多模态联合生成模块：包含代码专家、视频专家、动作专家三个子模块；
2. 自动技能挖掘模块：自动标注演示数据，生成可复用的技能程序库。

二、三大分支核心功能明细

表格

三、AW-0 整套数据处理分步流程

步骤 1：采集原始演示数据

批量录入机器人操控视频、人类手部操作演示素材，覆盖单夹爪、灵巧手两类设备的操作画面。

步骤 2：自动标注对齐

依托内置流水线，把视频时序画面和操作动作自动对齐，为每一段操作生成对应的技能代码，完成数据标注，全程不需要人工逐条编写程序。

步骤 3：构建标准化技能库

把重复出现的操作流程整理成通用技能子程序，后续新任务可以直接调用已有程序，不用从零重新训练模型。

步骤 4：三模态联合预训练

把代码、视频、动作三组数据送入混合 Transformer 模型，开展联合降噪训练，让画面预测、动作执行、程序规划保持高度同步。

步骤 5：下游任务微调

使用少量场景专属数据微调模型，快速适配新的操控任务，大幅降低落地的数据成本。

四、AW-0 模型实测任务效果

1. 双类型机器人任务：在平行夹爪任务、灵巧手双手操控任务中，任务成功率全面优于主流 VLA 与初代 WAM 基线模型；
2. 物理一致性提升：模型能预判物体移动、掉落等物理变化，行动规划更符合现实世界规则；
3. 技能复用能力：调用预存技能程序，多步骤连续任务执行效率明显提升；
4. 泛化表现：面对没见过的新物体、新布局，依然可以拆解任务并生成稳定动作，零样本适应能力更强。

五、AW-0 模型可落地应用场景

1. 通用机械臂抓取分拣：调用技能程序完成取物、搬运、摆放等连续操作；
2. 灵巧手精细操作：完成拧瓶盖、插接零件等高精度双手操控作业；
3. 仿真机器人智能体：在 RoboTwin 2.0 仿真环境里做多步骤任务规划与闭环执行；
4. 家用服务机器人：拆解家务操作，自主规划分步行动，适配居家多变环境。

六、整体总结

AW-0 这款智能体世界动作模型，突破了以往机器人模型只做视觉映射的局限，把代码程序、视频画面、控制动作融合为一体，再搭配自动化技能挖掘流水线，既学会预判环境变化，又能把操作固化成可复用程序。berkeley_ai 转发该模型资料，也进一步推动代码规划 + 世界动作模型的技术路线落地，为通用具身智能机器人打下坚实基础。

【相关 FAQ】

问题 1：berkeley_ai 转发介绍的 AW-0 世界动作模型，核心架构由哪些部分组成？

回答 1：AW-0 采用混合 Transformer 统一架构，分为多模态联合生成模块与自动技能挖掘模块；其中生成模块包含代码专家、视频专家、动作专家三条并行分支，三条分支联动完成代码、未来视频、动作轨迹的联合降噪生成。

问题 2：AW-0 世界动作模型相比传统 VLA 模型，核心优势体现在哪里？

回答 2：传统 VLA 模型只是实现观察到动作的直接映射，缺少对物理场景动态的预判；AW-0 可以同时预测未来视频画面、生成控制动作、输出执行代码，把物理世界规律融入决策，还能提炼可复用的技能程序，复杂操控任务的泛化能力更强。

问题 3：AW-0 世界动作模型配套的数据流水线，可以实现哪些自动化工作？

回答 3：AW-0 自带自动化标注流水线，能够把机器人与人手操作的演示视频，自动对齐时序并生成配套技能代码；还能把高频操作整理成标准化子程序，搭建机器人技能库，大幅减少人工标注工作量。

问题 4：AW-0 世界动作模型已经在哪些机器人任务里完成了效果验证？

回答 4：AW-0 已经在平行夹爪抓取任务、灵巧手双手精细操控任务里完成实测，同时在 RoboTwin 2.0 仿真平台开展闭环测试，整体任务成功率高于初代 WAM 和 VLA 基线模型，物理场景预判与连续任务执行表现更好。

【数据来源】

[2026-10-27]（berkeley_ai 转发 AW-0 智能体世界动作模型技术文档）AI 前沿资讯站

[2026-10-26]（Agentic World Action Models：AW-0 模型技术论文）arXiv

[2026-10-26]（AW-0 三模态联合生成架构详解）UC 伯克利 Sky Computing 实验室项目页

[2026-10-25]（AW-0 在灵巧手与夹爪任务中的性能测试数据）AlphaXiv

[2026-10-24]（世界动作模型 WAM 技术发展综述）AI Wiki

免责声明

本文中 AW-0 模型架构、分支功能、实测成功率、自动化流水线效果，均来自公开技术论文与项目文档；模型实际运行效果会受硬件算力、训练数据集、机器人硬件配置影响；本内容仅作为具身智能技术学习参考，不构成机器人项目开发与模型采购的决策依据。