人形机器人这两年火得不行——能走、能蹲、能比心、能后空翻。可一旦让它去“用整个身体完成一个操作任务”：搬个箱子、取个杯子、开个门，尴尬的事就来了：大多数还只能乖乖站在原地，把活儿交给固定工位的机械臂。
其实不是大家不想做。
把机器人从“桌面操作”推向“全身loco-manipulation（移动+操作）”，横在面前的是三道相互纠缠的坎：
-
移动、转身、弯腰、伸手必须拧成一股绳。桌面操作里手够不到就够不到；可人形要自己决定“何时、怎么动身体”去配合手上的活，任一环节脱节，任务直接崩； -
全身控制器（WBC）各说各话。同一个动作，A控制器里是任务空间目标，B控制器里可能就是关节目标——你能让A干的事，换到B上往往得整套重写； -
高质量人形操作示教，太少了。大规模机器人数据能撑起预训练，但“成对的人形全身操作示教”极度稀缺，想直接监督“操作意图—身体调整”的协调关系，无从下手。
如果你也正在做具身智能、人形控制、双臂操作，或者正被上面这些问题卡住：
10月15日晚8点，我们邀请到WholeBodyWAM第一作者、香港中文大学博士生、费曼智核联合创始人兼CTO李卓，带来一场深度直播分享。他会从模型设计、实验验证讲到协同泛化，把上面的痛点逐一拆开——强烈推荐给所有想看懂“如何用有限人形数据扩展具身基础模型”的人。
世界动作模型很能打，但人形全身操作仍是硬骨头
最近两年，世界动作模型（World Action Models, WAM）通过联合建模“机器人动作”与“未来视觉动态”，为通用机器人操作提供了可复用的先验。但绝大多数工作都聚焦在桌面或手臂为中心的局部手–物交互，对双足人形广义的loco-manipulation（移动+操作）探索依然有限。
论文把这道坎归结为三个相互耦合的挑战：
图1 | WholeBodyWAM总览：面对“扩展动作接口”与“从零重学全身”两条路线，论文选择第三条路——通过WBC锚定，把预训练WAM的世界–动作先验保留并推广到人形全身操作。
核心洞察：不重造，而是「保留+锚定+协调」
论文的核心insight相当克制也很关键：预训练WAM里已经藏着丰富的操作先验，人形全身操作真正缺的，是一层“把操作意图结构化地锚定到异构WBC上”的机制——它能规定“何时、如何”让全身行为配合起来。
围绕这个判断，WholeBodyWAM给出三个互补设计：
图 2 | 模型架构。左：共享Diffusion Transformer从结构化token序列出发，联合生成未来视觉动态、操作动作与UWBC命令。右：CASA依据任务方向手臂可操作性的下降，自适应增强manipulation→UWBC的注意力。
1）结构化动作表征（SAF）：保留操作通路，另开全身流
模型在保留预训练WAM的视觉–操作通路的同时，引入一条独立的全身控制流；未来视觉动态、操作动作、UWBC命令这三路token由共享的Diffusion Transformer联合生成。这样既没有丢掉可迁移的操作先验，又让“面向控制器的全身行为”变成一个可被显式指认的量。消融实验里，去掉SAF掉点最多（−11.1），印证了“保住预训练操作通路”的价值。
2）统一全身控制器接口（UWBC）：给异构命令一套共享语义
UWBC把五花八门的全身命令按共享物理语义重新组织，规定了一个56维命令向量：
|
|
|
|
|---|---|---|
[0, 46) |
|
|
[46, 56) |
|
|
下游控制器只激活“自己具备能力、且已注册语义”的字段，不支持或未定义的字段被mask掉。这样一来，内部“全身意图”与“控制器具体命令约定”被解耦，同一套策略就能更稳定地迁移到不同WBC上。
表 I | UWBC接口槽位规格：共享物理语义字段+控制器特有残差槽位。
3）协调感知自注意力（CASA）：让操作意图去“指挥”身体
人形全身协调本质上是有方向性、且依赖当前状态的：当手臂沿任务方向的可操作性下降时，就需要身体做补偿运动。CASA引入一个协调门控gt，衡量“任务方向可操作性”的相对下降程度，并据此自适应地增强manipulation→UWBC的注意力流——手臂越够不着，操作意图就越强力地引导移动、转身与躯干调整。
图3 | Blockwise-Causal Attention with Gated Coordination：在保留原生可见性的前提下，门控偏置选择性地增强每个预测块内的manipulation→UWBC注意力。
三项设计的消融结果（6项仿真任务平均TSR）：完整模型91.9%→去掉CASA 86.9%（−5.0）→换成原生SONIC命令84.7%（−7.2）→去掉SAF 80.8%（−11.1）。其中CASA的收益在PickBetweenTables（−8.3）和 MoveBendPick（−6.7）这类需要大幅身体重构的任务上更明显。
实验结果：更高的成功率，更低的跨控制器方差
仿真：6项任务，平均成功率91.9%。在SIMPLE基准的6项任务×3个扰动等级（L0/L1/L2）下，WholeBodyWAM取得91.9%的整体TSR，分别高出DreamZero +26.9、DreamZero-PT+18.3、Cosmos-3+5.6个百分点，也超过最强 VLA 基线9.7个点。特别值得注意的是DreamZero-PT用的是同一份后训练数据——增益并非"多喂人形数据"能解释，而是来自结构化的WBC锚定与协调。
表 II（论文原表）｜仿真任务成功率（%，SONIC控制器）。每项任务报告SIMPLE协议下L0/L1/L2三档结果，含消融行。
跨WBC鲁棒性：方差降低约70%。分别在SONIC、AMO、GEAR三个异构WBC上独立微调后，WholeBodyWAM 取得最高平均 TSR（89.2%）与最低跨控制器方差（10.5pp²），相较基线把方差压低了约70%——意味着换一个底层控制器，性能不会“悬崖式”波动。
图4 ｜跨WBC评估：横轴为跨控制器方差（越低越稳），纵轴为平均TSR。WholeBodyWAM落在"高成功率+低方差"的理想左上角。
真机：8项任务，分布外泛化更稳。在Unitree G1人形机器人+两只BrainCo Revo 2灵巧手上，论文测试了8项真机任务：
差距的来源也很清晰：在TableCleanup这类纯操作主导的任务上，两者接近（90% vs 85%）；而一旦任务涉及更多身体子系统与协调阶段（如BasketCarry、DoorEntry、BoxTransfer），基线就明显下滑——这正是“把操作与WBC命令当成同质动作维度”的代价。
图6 ｜真机定性结果：8项真机任务，覆盖操作主导与协调密集型行为（TowelPlace / BasketCarry / TeapotPour / BoxTransfer / CartServe / DoorEntry / TableCleanup / PlantWater）。
图7 ｜任务进度雷达图：左为同分布（ID），右为分布外（OOD）。
数据效率也很关键。在每任务50/100条示教的低数据预算下，WholeBodyWAM的优势最大——这正是“有效复用预训练世界–动作先验”的直接体现。
图5 ｜下游微调效率：随每任务示教条数（50/100/200/300）变化的平均TSR。
最值得看的一幕：抓取失败后，它自己"挪一下身子"
论文里最打动人的，是OOD设置下的一个涌现行为。在TowelPlace任务中，把毛巾支架沿+X方向外移10cm，毛巾就落到了初始手臂工作空间之外：
失败→调整身体→再抓，成功：
· 第一次伸臂抓取→失败；
· 模型没有在原地硬试，而是向前迈一小步+旋转/调整躯干，把可达范围延伸出去；
· 第二次尝试→抓取成功。
关键在于：这段"失败→调整身体→再抓"的恢复序列，在训练示教中从未出现过。作者把它解释为——预训练WAM的操作先验，与增强的全身协调机制耦合之后涌现出来的行为。这也正是“用有限人形数据扩展具身基础模型”最令人兴奋的地方。
图8 ｜全身协调泛化：毛巾支架外移10cm后，WholeBodyWAM通过向前重定位与身体旋转，从抓取失败中恢复并二次抓取成功。
这场分享，你会听到什么？
扫码添加阿蓝，选择想要加入的交流群即可
（按照提交顺序邀请，请尽早选择）
👇
