UniWAM от 欧拉万象 и HKUST(GZ) объединил понимание мира, прогноз и действия робота

欧拉万象 и Гонконгский университет науки и технологий (Гуанчжоу, HKUST(GZ)) опубликовали открытую версию UniWAM, модели для воплощённого ИИ. В одной системе она решает три задачи: понимает происходящее в сцене, предсказывает её будущее состояние и генерирует действия для робота. Код и веса выложены полностью. Главная исследовательская ставка авторов — scaling law совместного обучения на данных людей и роботов (Human-Robot Co-training).

Анонс пришёл через китайское издание Jiqizhixin, и в нём немного технических деталей. Ниже то, что подтверждено, и то, что придётся проверять по репозиторию и статье.

Что известно об UniWAM

UniWAM продолжает линейку Ola-Sem. Эту модель те же команды выпускали раньше, и, по их словам, она заняла сильные позиции на ведущих мировых бенчмарках. Какие именно метрики и баллы, в доступной части анонса не сказано.

Название намекает на класс World Action Models. В классической схеме VLA-модель получает картинку и инструкцию и сразу выдаёт действие. Модель мира, наоборот, учится предсказывать, как сцена изменится дальше. UniWAM пытается свести всё в единое обучение: общее представление о мире служит и для понимания, и для прогноза, и для управления. Это наша интерпретация названия и описания, а не цитата из документации.

Ключевые факты из анонса:

• Задачи: понимание мира, предсказание будущего, генерация действий в одной модели.
• Данные: совместное обучение на материалах людей и роботов.
• Исследовательский вопрос: как меняется качество при росте объёма и доли человеческих данных.
• Открытость: опубликованы код и веса, а не только статья.
• Происхождение: наследник Ola-Sem, совместная работа компании и университета.
• Не раскрыто в анонсе: размер модели, архитектура, бенчмарки UniWAM, лицензия.

Почему scaling law для человеческих данных важен

Главная проблема воплощённого ИИ — нехватка данных. Демонстрации с реальным роботом собирать дорого: нужны оборудование, операторы, время. Видео людей, которые что-то берут, переставляют или собирают, накоплено гораздо больше. Но у человека другая «рука», другая кинематика, другой ракурс камеры. Поэтому непонятно, сколько пользы такие данные дают и в каком соотношении их нужно смешивать с роботными.

Если у такого смешивания есть воспроизводимая степенная зависимость, как у языковых моделей, это меняет планирование. Команда может прикинуть, сколько часов человеческих записей заменяют один час дорогой телеоперации. Может понять, где выгода от дополнительных данных заканчивается. И может решить, куда вкладывать бюджет: в сбор данных или в более крупную модель.

Пока авторы заявляют о самом исследовании тренда. Конкретных кривых, коэффициентов и сравнения с роботными датасетами в доступном фрагменте нет. Именно эти цифры определят, окажется ли работа практическим руководством или только аккуратной демонстрацией.

Что проверить перед использованием

Открытые веса для воплощённого ИИ сами по себе редкость, и китайские лаборатории выкладывают их всё чаще. Но между публикацией и пригодностью для вашего робота лежит ряд вопросов.

1. Лицензия. Разрешено ли коммерческое использование, можно ли дообучать и распространять производные модели. 2. Железо. Какая платформа использовалась для обучения и инференса, какая нужна память и какая задержка при генерации действий. Для управления в реальном времени это критично. 3. Тип робота. Показана ли работа на нескольких формах тела или на одной. От этого зависит, переносится ли результат. 4. Бенчмарки. Сравнивали ли UniWAM с отдельными VLA и моделями мира на тех же задачах, а не только с собственными предыдущими версиями. 5. Воспроизводимость. Опубликованы ли данные или хотя бы рецепт их смешивания. Без этого scaling law останется утверждением, которое нельзя проверить.

Исследователям и инженерам стоит начать с репозитория и статьи: найти графики зависимости качества от доли человеческих данных и посмотреть, на каких задачах эффект держится. Если кривые действительно стабильны, подход можно проверять на своих данных. Если нет, UniWAM всё равно остаётся полезной открытой базой для экспериментов с единым обучением понимания, прогноза и действий.