上海人工智能实验室开源 InternW0-Δ：首个 2 万小时跨模态机器人世界动作模型，Causal Imprint 彻底免除推理视频展开

核心背景与行业痛点 具身智能（Embodied AI）长期受限于“动作执行缺少对物理世界动态演进的先验认知”。近年兴起的世界动作模型（World Action Models, WAMs）试图通过联合建模视觉动态与动作序列来突破这一瓶颈。然而，现有 WAM 模型存在两大落地死结：其一是训练数据极度匮乏，各家开源数据碎片化且格式割裂；其二是推理延迟不可承受——传统 WAM 在控制机器人做出下一步动作前，必须先在自回归/扩散过程中耗费数秒生成未来的高清视频预测帧，导致高频闭环控制成为空中楼阁。 ### 架构亮点与底层机制 上海 AI Lab 与 OpenDataLab 联合打造的 InternW0-Δ 实现了系统性重构： 1. 20,000+ 小时开源具身语料：清洗整合机械臂实操演示、UMI 移动手持、人眼第一视角视频及 Ego2Robot 映射数据，完成状态-动作标准化对齐，为业界建立最大公共具身基石； 2. Mixture-of-Transformers (MoT) 协同架构：在冻结的多模态大模型（VLM）全局语义引导下，将视频生成专家与连续动作预测专家进行交叉注意力融合，并在训练期通过几何知识蒸馏注入 4D 运动与空间先验； 3. 因果印记（Causal Imprint）机制：核心杀手锏创新。通过仅在训练阶段引入针对未来场景变化的自监督约束，使网络学会直接将未来的物理演进压缩为“因果印记隐状态”回传给动作专家。在推理部署阶段，完全不需要执行任何未来视频展开计算，直接实现高频动作输出。 ### 权威 Benchmark 与实测跑分对比 - 仿真基准测试（Simulation Benchmarks）：在 CALVIN 与 RoboSuite 等主流长程机械操作测试集中，InternW0-Δ 的平均任务成功率大幅领先既有 SOTA 模型约 18.6%； - 真实机器人操作（Real-Robot Evaluation）：在双臂协作、精细抓取与未见物体泛化场景下，实物成功率稳居 86.4% 以上； - 端到端控制延迟：相比需要视频展开的传统 WAM（平均单步决策延迟 1,800ms~3,200ms），InternW0-Δ 将动作推理延迟直接压降至 45ms 以内，满足 20Hz+ 工业级实时机械臂控制要求。 ### 开发者实战落地与开箱指南 - 项目主页与资源：项目全量源码与模型权重托管于 https://internrobotics.github.io/InternW0-Delta/； - 预印本论文：技术详述收录于 arXiv:2609.31394； - 开箱部署：官方提供适配 ROS2 与标准机械臂 Python 接口的驱动中间件，开发者可在本地单张 RTX 4090 或 A100 GPU 上一键启动毫秒级世界模型控制循环。