VLA Handbook是一份面向 VLA（Vision-Language-Action，视觉-语言-动作）算法工程师的全中文、实战导向学习与面试手册，聚焦 Robotics 特有的挑战。本文沿手册的世界模型支线，解读 2026 年最具争议的前沿问题：世界模型（World Model）能不能不借助额外的策略网络，直接当零样本策略用？答案是——DreamZero 已经给出了迄今最完整的"肯定回答"。

一、为什么"世界模型当策略"会成为前沿问题

传统 VLA 的学习范式可以压缩成一个分布：

给定图像 o 和语言指令 l，直接输出动作 a，即 Pr(a | l, o)。

这套范式的强项是语义泛化——它继承了视觉-语言模型（VLM）对"世界是什么"的理解；但弱项同样明显：

• 缺物理直觉：预训练主监督来自静态图文，对接触、形变、因果顺序、物体运动轨迹理解薄弱；
• 新动作容易失真：遇到训练集里罕见的行为（解鞋带、握手），策略常塌回"抓取-放置"的常见模板。

世界模型学的是另一个分布：Pr(o' | l, a, o)——"世界接下来会怎么变"。2024 年以前的主流用法是把它当辅助工具：生成合成数据、做规划、当评测器。而 2026 年，这条线走到一个更激进的终点：

既然世界模型已经会"预测未来"，为什么不把"预测动作"也学进去，让它本身成为闭环策略？

这个新物种被称为WAM（World Action Model，世界动作模型），代表工作就是 DreamZero。

二、DreamZero 拆解：世界模型 = 零样本策略

DreamZero 的核心主张只有一句话：联合预测"未来视频 + 动作"，用视频动力学做动作学习的硬约束。

2.1 架构直觉：先"做梦"，再从梦里倒推动作

它的联合分布可以分解理解为两步：

π(o_future, a | o_now, instruction) = π(o_future | o_now, instruction) ← 视频预测：隐式物理规划器 × π(a | o_future, o_now) ← 逆动力学：为了这个未来我该动成什么样

但 DreamZero 并不是真的拆成两个模型，而是用一个14B 自回归 DiT 主干端到端联合去噪——视频 latent 和动作 chunk 在同一个生成过程里对齐。这带来一个关键好处：视频生成出错时动作会跟着错，反过来视频的物理先验也会"逼着"动作符合物理规律。

训练目标采用flow matching（如图右，噪声到数据走确定性直线 ODE 轨迹，而非扩散模型的曲折随机路径），把视频与动作拼成联合向量一起去噪，并像训练 LLM 一样用 chunk-wise teacher forcing 灌入历史干净上下文。

2.2 闭环"作弊"：用真实观测打断漂移

自回归视频生成的最大痛点是误差累积——越滚越歪。DreamZero 在机器人闭环里有一个独门技巧：

每执行完一个动作 chunk，就用真实摄像头观测替换 KV cache 里对应的预测帧。

预测负责"想象"，观测负责"纠偏"，世界模型的漂移通道被直接切断。这是"把世界模型当策略"在闭环控制里独有的优势。

2.3 从 5.7 秒到 150 毫秒：38× 加速才敢谈部署

14B 视频扩散模型天然是"算力巨兽"——朴素推理约 5.7 秒/chunk，根本无法闭环。DreamZero 用三层优化把它压到~150ms/chunk、7Hz 闭环控制：

一个工程细节值得一提：异步执行让"推理"和"执行"重叠——机器人执行当前 chunk 时，模型在后台用最新观测生成下一个 chunk。延迟约束从"动作开始前算完"放宽为"当前 chunk 过期前算完"。

三、零样本泛化到底多强：关键数字

按手册整理的评测结果（详见 DreamZero 深度解析）：

数据配方同样值得新手注意：多样性 > 重复性。500 小时遥操作数据，"22 个真实环境、7.2K 条异构轨迹"的多样分布比围绕固定任务反复刷演示高出约 17 个百分点。

四、WAM 前沿方向：三条路线 + 一股"收缩力"

DreamZero 不是孤例。手册的三路线综述（WAM 三路线综述）把 2026 年的 WAM 版图划成三条主路线：

• 路线一：两阶段解耦派（UniPi / VPP / mimic-video）——先预测未来视频，再用逆动力学反推动作。模块化好训，但中间接口会丢信息；
• 路线二：端到端联合生成派（PAD / Cosmos Policy /DreamZero）——视频与动作联合生成，对齐最强、物理监督最直接，代价是训练/推理最贵；
• 路线三：统一多功能派（UWM / LingBot-VA / Motus）——一个模型通过噪声时间步切换策略/前向动力学/逆动力学/视频生成四种模式，数据利用率最高。Motus 在 50 任务上约 87% 成功率，比 pi0.5 高约 45 个百分点。

而 世界模型主线总纲 还指出了一个容易被忽略的反向力量——世界模型正在"收缩"：

1. 像素 → latent：LDA-1B 的消融显示 latent 空间世界模型 55.4% vs 像素 VAE 路线 20.0%，WAM 的 scaling 分水岭可能不在像素；
2. 推理期 → 训练期：GaussianDream 训练时跑完整 3D 高斯世界模型做密集监督，推理时全部丢弃只留一个前缀，世界模型从"运行时模拟器"变成"训练期老师"；
3. 世界模型当 RL 仿真器：4-6 月新主战场是用 action-conditioned 世界模型替代真机做 RL 后训练（WM 辅助 VLA 后训练深潜），但"想象出来的仿真器 ≠ 可靠的仿真器"，reward hacking 仍是最大暗礁。

前瞻判断：WAM 路线与"溶解"路线目前并行，一个 latent 空间里既做 WAM、又能按需瘦身成训练期前缀，是接下来最值得盯的合流点。

五、开放挑战：别被 62.2% 冲昏头

• 算力门槛：7Hz 是在 2×GB200 上达成的，而 VLA 在消费级 GPU 上就能跑到 20Hz+。多数团队现阶段必须在 VLA 与 WAM 之间二选一，别两条腿都跑；
• 视频质量 = 策略质量的双刃剑：视频生成一幻觉（物理穿帮、接触相位错），动作就跟着错。"video backbone 越强，动作执行越好"既是卖点也是脆弱点；
• VAE 瓶颈：视频 latent 的下采样与模糊化，在插 USB、精密装配等亚毫米任务上会不会成为硬上限，目前缺乏系统答案；
• 评测不可比：各工作的平台、任务集、控制频率、成功定义差异巨大，跨论文比数字要格外小心（上图正是社区对这一点的吐槽）。

一个稳妥的面试式回答：短期 VLA 不会被 WAM 取代——它仍是语义接口最成熟的范式；WAM 的真正价值是把"互联网视频里的物理先验"变成控制主监督。未来几年，VLA 管语义、WAM 管物理，两者大概率融合成统一的具身基础模型。

六、延伸阅读：VLA Handbook 里的世界模型支线

一句话总结：世界模型当零样本策略，从 2024 年的"大胆设想"走到 2026 年的"工程现实"——DreamZero 证明了可行性与代价并存；而 WAM 会不会吞掉 VLA、latent 路线会不会终结像素路线，是这条支线未来半年最值得押注的两个问题。🤖