**统一世界建模、语言推理和动作合成的世界-语言-动作模型**

_World-Language-Action Model for Unified World Modeling, Language Reasoning, and Action Synthesis_

> 提出世界-语言-动作（WLA）模型，作为具身基础模型的新类别。WLA 以自回归 Transformer 为核心，结合世界建模接口与语言推理能力，联合预测文本子任务、子目标图像和机器人动作。物理动态由专门的世界专家监督，并通过元查询隐式影响动作生成。2B 参数的 WLA-0 原型在 NVIDIA RTX 5090 上实现 40ms 推理。在仿真和真实环境评估中，多任务和长程学习能力达领先水平，如 RoboTwin2.0 Clean 成功率为 92.94%，RMBench 为 56.5%。该模型还具备从无动作标注的跨形态机器人视频直接学习新任务的潜力。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-05 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.05979)