2026年世界模型赛道最热的概念是WAM（World Action Model，世界动作模型）。

GigaWorld-Policy把推理压到85毫秒，酷哇搞出DAWN架构让世界预测与动作生成在隐空间里“博弈”，星源智的ω-EVA让机器人在动手前先预演后果——所有人都忙着证明一件事：让机器人“想清楚再动”。

动作从来不是工作的本质。

你让机器人“把A零件装到B位置上”，它要完成的不是“移动手腕、闭合夹爪、施力5牛”这三步动作，而是“装好且拧紧且不伤件”这一个任务。

WAM把目光死死钉在“下一步动作对不对”上，却对“最后任务成不成”视而不见——这就像一个装修队，每个工人当天的动作都挑不出毛病，但交房时你会发现水电错位、油漆起皮、地板空鼓。

乘法效应不会骗人：一个10步任务，每步成功率95%，整体成功率只有60%；每步99%，整体也只有90%。

这就是为什么展会现场，VLA（Vision-Language-Action）和WAM演示频频翻车——单步看着都挺稳，连起来就是不行。而WTM（World Task Model，世界任务模型）的成功率只会体现在最后：任务到底完成了没有。它不存在“单步很准、连起来垮掉”的累积偏差，数据更真实，与落在场景中的真实情况更符合。

这是对下一阶段技术演进的核心预判：行业的主战场，将从“世界动作模型”切换到“世界任务模型”。

WAM的天花板：优化的是“动作”，不是“任务”

要理解WTM为什么必然出现，得先看清WAM在优化什么。

GigaWorld-Policy-0.5的论文里写得很清楚：WAM的核心是“联合建模动作和未来视觉观测，用未来场景演化作为动作生成的密集监督”。酷哇CooWAIM 2.0更进一步，提出WAIM（World-Action Interactive Model），让世界预测器和动作降噪器在推理时“递归式互相修正”。星源智ω-EVA的三段式“Envision-Verify-Act”也是同理：先生成候选动作，在潜空间预演后果，再修正动作执行。

注意，这三家的共同点——它们优化的颗粒度，都是“一个动作chunk”或“一小段未来”。

酷哇自己就在论文消融里承认：最有性价比的推演视野是2-3秒的“短时潜变量推演”，再长就边际效益递减。ω-EVA的修正也只在“当前状态+候选动作+想象后果”这个局部闭环里打转。GigaWorld-Policy-0.5虽然跑得飞快（RTX 4090上85毫秒），但它明确说“推理时显式未来视频生成是可选的”——也就是说，它为了部署效率，把“看未来”这个选项都关了。

翻译成人话：WAM再聪明，也只是在“下一步怎么走”这个问题上反复内卷。它从不抬头看一眼“我这么走下去，10步之后任务能不能成”。

这就是WAM的根本天花板：它是一个“动作优化器”，不是一个“任务完成者”。

类比一下：WAM像一个极度自律的马拉松选手，每一步的配速、呼吸、摆臂都精确到极致，但它从来没看过赛道全程——不知道前面有坡、有折返、有补给站。单步效率满分，完赛概率堪忧。

而真正的工业客户、真正的产线方，他们不在乎你每一步动作有多优雅，他们在乎的是——这件产品下线的那一刻，良率是98%还是60%。

把“任务完成度”作为第一性指标

WTM（World Task Model，世界任务模型）是什么？

一种在联合建模世界动态与动作的同时，显式把“任务进度/子目标完成度/最终任务成功率”作为核心监督信号和优化目标的模型范式。它不再孤立地评估单步动作的质量，而是把每一次动作决策，都放在“它是否推动任务向最终完成更进一步”的天平上称量。

WTM与WAM的本质差异，有三个：

1、优化目标不同。WAM优化——给定当前观测和语言指令，输出最优动作。WTM优化，其中是整个动作轨迹——它问的是“按这个干法，最后能不能成”。

2、误差处理方式不同。WAM里，每一步的误差独立计算、独立累积，最后乘法效应爆发。WTM里，误差在任务进度空间里被“吸收”——走偏了？那下一步的任务进度没涨，模型立刻知道要调整，不会让偏差一路乘到任务结束。

3、数据真实性不同。WAM评测里“单步成功率95%”这种数字，在展会上会被现实打脸。WTM的评测指标直接就是“任务成功率”——它没法造假，客户一眼就能看懂。

一个通俗类比：WAM是“步步精心”的工匠，WTM是“交房验收”的项目经理。工匠关心每一刀雕得匀不匀，项目经理关心房子能不能住人。

客户付钱，是为“能住的房子”付钱，不是为“雕得匀的木头”付钱。

谁在WAM里，谁已经摸到WTM的门

结合目前公开材料里做世界模型以及世界动作模型的典型企业，按“距离WTM的距离”排个序。

Physical Intelligence：最接近WTM的VLA派

PI自己不叫WAM，叫VLA，但它的演化路径几乎是WTM的“民间版本”。

π0.5引入了high-level subtask prediction——模型先预测“pick up the plate”这种语义子任务，再基于子任务生成底层动作chunk。π0.7更激进，引入了visual subgoal images（视觉子目标图）、episode metadata、多样化的语言指令和条件提示框架。

这是什么？这就是在VLA的壳里，硬塞了一个“任务进度”和“子目标”的显式表征。PI没有用“世界模型”这个词，但它干的活，已经是WTM的活——它让模型在生成动作时，显性地以“子目标完成情况”为条件。

PI离完整WTM还差一步：它的subtask和subgoal还是作为conditioning输入，没有被当作联合训练的核心监督信号；它没有显式的“任务进度回归头”。但毫无疑问，PI是全世界离WTM最近的玩家，没有之一。

星源智：有WTM的“交互骨架”，但仍是WAM进阶

星源智的ω-EVA是目前国内最具WTM气质的世界模型。它的“Envision-Verify-Act”三段式，本质是让世界模型进入动作决策闭环——这已经超越了传统WAM“训练时监督、推理时退场”的范式。

CEO刘东说得很清楚：ω-EVA的特点之一是“将动作交互引入行动闭环”，之二是“在端侧高效运行”，之三是“从失败数据中持续进化”。尤其是第三点——从失败案例里学“什么动作不可行、为什么失败”——这已经非常接近WTM的“任务级反馈学习”。

但ω-EVA仍是WAM，不是WTM。它的修正闭环发生在“当前状态+候选动作+想象后果”的局部三元组里，没有显式的任务图、子目标序列、任务进度回归。它的1.2B参数跑出LIBERO 98.6%，但LIBERO本身是单任务评测，没有考验“长程多任务串联”的能力。

星源智的位置：WAM的山巅，WTM的门廊。

酷哇CooWAIM 2.0：移动场景的WAIM强者，与操作任务WTM错位

酷哇的DAWN架构是WAM范式的一次漂亮升级——World Predictor和Action Denoiser在推理时递归互修正，在NAVSIM benchmark上拿到89.1 PDMS。

但要清醒：酷哇现阶段的场景是自动驾驶/轮式机器人，它的“任务”是“从A点安全到B点”，它的“动作”是方向盘转角。这种场景下，WAM和WTM的边界是模糊的——因为“驾驶”本身就是连续的动作流，没有清晰的“子任务边界”。

酷哇的WAIM是“连续控制场景下的WAM巅峰”，但它没有，也不需要往“离散任务图+子目标+任务进度”的WTM方向走。它的战场和PI、星源智的“操作任务”战场，是两个平行宇宙。

极佳视界：高效的WAM工程派

极佳视界GigaWorld-Policy-0.5用Mixture-of-Transformers把视觉动态建模和动作生成拆成两个expert，推理时只跑动作expert，RTX 4090上85毫秒。它还用AutoResearch pipeline自动搜超参，工程化能力一流。

但GigaWorld-Policy坦承自己是“action-centered WAM”——它把“未来视觉动态”作为训练时的密集监督，推理时干脆不生成未来视频。这是极致的工程妥协：为了部署效率，把WAM里“世界”的那部分都砍了。

极佳视界GigaWorld-Policy是WAM的工程化样板，但它离WTM最远——因为它主动放弃了“世界”建模在推理时的作用，更不可能有“任务级”的建模。

橡木果：不做世界模型，却用另一种方式逼近WTM的效果

橡木果是最特殊的玩家。它明确“别卷VLA了”，走的是“本能驱动”第三条路——端侧Natus模型自带定向、探索、执行三大本能，零数据冷启动，毫秒级响应。

橡木果自己说：任务规划交给云端大模型，它聚焦操作执行。Natus通过触觉自打标产生“肌肉记忆”，再进化成通用操作技能。

橡木果没有世界模型，却用“本能+技能”的路线，达到了WTM想要的“任务可靠完成”的效果。它的逻辑是：不让机器人在“想”上卷，而在“做”上稳——靠触觉闭环和毫秒级响应，让单步动作几乎不出错，从而让乘法效应的乘积逼近1。

而且橡木果的最新表态很关键：要做“完整形态的产品”，要plug & produce，而不是做一个行业级OS。这意味着橡木果在商业路径上已经跳出了“模型派”的内卷——它卖的不是“模型能力”，是“插上就能用的可靠产线生产力”。

橡木果给了WTM一个重要的启示：WTM不一定非要以“世界模型”的形态存在。只要最终交付的是“任务级可靠完成”，本能驱动、技能涌现、端侧闭环，都可以是WTM的等价实现。

这是一场认知维度的“降维打击” 

写到这里，我们可以更清晰地定义这场剧变：WAM到WTM的切换，本质上是一场“认知维度的降维打击”。

WAM信奉的是“还原论”，试图通过把每一个动作优化到极致来拼凑出完美的任务，这就像试图通过控制每一块砖的摆放角度来盖好一栋楼。而WTM信奉的是“系统论”，它直接关注楼是否盖好，至于砖怎么摆，那是达成目标的手段而非目标本身。

对于PI、星源智这样的模型派，WTM意味着架构的重构；对于橡木果这样的本能派，WTM意味着“肌肉记忆”终于找到了对标任务完成度的商业语言。无论路径如何，行业共识已经形成：具身智能的“玩具期”结束了，“工具期”开始了。

接下来的问题不再是模型能跑多快，而是它能否在真实的产线上，把那个“任务完成”的钩选上。

这8个月，将是所有技术路线接受“第一性原理”拷问的8个月。

本文提出的“WTM（World Task Model）”概念，是作者基于行业观察做出的技术演进预判，而非已被学界统一定义的标准术语。

Physical Intelligence、星源智、酷哇、GigaWorld等企业的技术路径，均在WAM或更早的VLA范式内演进。

它们的下一站，必然是“WTM”。

时间会验证这个预言。