**Zero-WAM：基于人类视频的上下文世界-动作建模实现开放任务泛化**

_Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization_

> Zero-WAM是一种因果视频-动作模型，通过上下文人类视频指导执行未见过的操作任务。研究提出自动转换管道生成HumanGen数据集（74.2K人机配对，覆盖8.6K任务），并引入上下文未来块预测（IFP）目标以抑制捷径学习。在RoboTwin 2.0模拟中，Zero-WAM在7个未见任务上达到47.0%平均成功率，较最强基线提升29.5个百分点，并在真实场景中成功泛化至多物体场景、长时程操作和精细插入任务。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-08-28 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2608.26103)