DreamZero

英伟达 2026 年的世界动作模型，基于 14B 视频扩散模型同时预测画面和动作。

DreamZero 是英伟达研究团队（Jim Fan、Yuke Zhu 等参与）于 2026 年 2 月发布的世界动作模型（WAM，同时预测未来画面和动作的模型），论文题为 World Action Models are Zero-shot Policies。主流 VLA 以视觉语言模型为底座，擅长理解语义，但对物理动态了解有限。DreamZero 改用预训练视频扩散模型做底座（通义万相 Wan2.1 图生视频 14B），自回归地联合生成未来视频和机器人动作，把视频当作「世界如何变化」的稠密监督，因此能从多样、不重复的异构机器人数据里学习。论文称它对新任务、新环境的泛化比当时最好的 VLA 高出一倍以上；经模型和系统优化，在 GB200 上单次推理约 150 毫秒，实现 7Hz 闭环控制。团队表示开源模型权重和推理代码。

例子主要用智元 G1 约 500 小时遥操作数据训练，已见任务平均任务进度 62.2%（最佳 VLA 基线 27.4%）；只加 10–20 分钟其他机器人或人类的视频，未见任务表现相对提升 42% 以上；用 30 分钟玩耍数据即可适配新的 YAM 机器人。

也叫

World Action Models are Zero-shot Policies

相关

世界动作模型、视频生成模型、通义万相、零样本、跨本体、Fast-WAM

来源

World Action Models are Zero-shot Policies (arXiv 2602.15922)
DreamZero 项目主页

信息截至

2026-02