AHA-WAM

面向 RoboTwin 2.0 的世界-动作模型：视频+动作专家、六帧历史、16×14 块。MIT 许可。A100 Workspace 已验证；不是闭环分数。

最后更新: 2026年10月7日

AHA-WAM 是面向操作的世界-动作模型：视频专家和动作专家共享 mixture cache，让策略在推理时用上预测式世界建模。WorldFoundry 在进程内跑精确的视频/动作专家、mixture-cache 编辑器、六帧历史、两阶段块推理、Wan VAE 和 UMT5 编码器。训练器、模拟器和部署服务都排除。Pipeline：AHAWAMPipeline。别名 aha-wam、aha-wam-robotwin 解析到这里。

官方论文见 arXiv 2606.09811。项目页：serene-sivy.github.io/aha-wam。代码：Serene-SIVY/AHA-WAM。许可证：MIT。记录的策略：SereneC/AHA-WAM-RoboTwin2.0（robotwin_ahawam.pt）。VAE 与 UMT5 来自 DiffSynth-Studio/Wan-Series-Converted-Safetensors。

已发布的 RoboTwin 2.0 checkpoint 在 A100 上完成真实 Workspace 推理：三个 ALOHA 视角加 14 维状态，返回有限的 16×14 开环块。catalog runner 仍是未记录——这是数值 checkpoint 验证，不是闭环仿真分数。

构建运行命令

推理 Pipeline

AHAWAMPipelineworldfoundry.synthesis.action_generation.ahawam.pipeline

变体

任务Default default

环境worldfoundry-unified-cu128

设备CUDA 12.8

Runnerworldfoundry.pipeline

加载方式from_pretrained

调用方式native_or_standard_invocation

worldfoundry-eval run \
  ahawam \
  --pipeline.task-profile default \
  --json

用来做什么

用三个 ALOHA 视角加状态跑 AHA-WAM 的 RoboTwin 动作块。

启动 worldfoundry-eval run ahawam。

评测入口：RoboTwin 2.0（发布的 checkpoint 面向 RoboTwin 2.0 训练）。

运行时契约

必填 image、prompt；可选 model_id、state、preferred_cameras、image_size、configured_action_horizon、action_chunk_size、default_chunks_per_video_prefill；产物 action_trace、ahawam_action_trace.json。

旋钮	记录值
图像尺寸	384×320
动作时域	64
块大小	16
视频 prefill 块数	2（随后刷新 KV；最多保留六条更早的 prefill）

所有资产从本地加载，严格键匹配。运行时不走 Hub 下载。VAE 与 UMT5 可以放在策略 GPU、CPU 或另一张 GPU；自动放置看显存阈值，不看 GPU 名字白名单。SDPA 按已安装 GPU 代数统一选择。

在 WorldFoundry 中运行

状态：已验证。统一环境 worldfoundry-unified-cu128（Python 3.11, CUDA 12.8）。先把 SereneC/AHA-WAM-RoboTwin2.0、DiffSynth-Studio/Wan-Series-Converted-Safetensors、Wan-AI/Wan2.1-T2V-1.3B 就位到本地，缺文件加载失败，运行时不下载。在该环境执行 worldfoundry-eval run ahawam。catalog 未记录 VRAM。

AHA-WAM

用来做什么

运行时契约

在 WorldFoundry 中运行

相关模型