**SWAM：通过跨模态对齐扩展世界动作模型**

_SWAM: Scaling World Action Models with Cross-Modal Alignment_

> 针对世界动作模型（WAM）训练中语言 - 视频对齐可能受损的问题，研究团队提出了 SWAM 框架。该研究通过精心构建包含 4.7 万小时视频的多模态数据集，系统验证了语言 - 视频监督与语言 - 视频 - 动作联合监督的有效性。实验表明，混合第一人称视频与 UMI 演示数据能显著提升控制泛化能力，且模型架构与预训练规模的优化进一步增强了性能。最终模型在真实世界任务中展现了优于最强基线 40% 的成功率，并开源了数据、代码及模型权重。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-11-10 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.12870)