HumanWAM

HumanWAM（Human World–Action Model）是 DAGroup-PKU 等在 Open-HumanScale 工作中提出的具身 world–action 模型家族，用大规模第一人称人类操作视频做预训练，再经机器人后训练迁移到双臂操作。论文：https://arxiv.org/abs/2611.06817 （arXiv 2611.06817）；HF 权重例：https://huggingface.co/DAGroup-PKU/HumanWAM-Vanilla-Base ；项目页：https://dagroup-pku.github.io/open-humanscale/ 。

数据与配方：

• Open-HumanScale-50K：约 50,000 小时精选第一人称操作视频，含手部运动与自然语言标注；
• HumanWAM-Vanilla：仅在人类数据上预训练；HF 的 Vanilla-Base 含人类自我中心预训练 checkpoint 与 EgoPro 多视角 mid-training checkpoint，供下游机器人后训练初始化；
• HumanWAM-Goal：人类+机器人联合预训练，并加入视觉目标条件，用于零样本与 in-context 式目标跟随。

论文报告（后训练后）：Vanilla 在 RoboTwin 2.0 上 Clean2Clean 92.08%、Clean2Random 68.88%；Goal 进一步到 Clean2Clean 92.70%、Clean2Random 84.60%（平均 88.65%）。真机四任务在视觉分布外，均值成功率由无人类预训练的 2.5% 提到 Vanilla 的 67.5%。

解决什么问题

机器人基础模型需要多样操作经验，但遥操作采集贵。第一人称人类视频可规模化提供操作先验；Open-HumanScale 给出开源语料、对齐配方与缩放规律（下游成功率随预训练小时数近似 log-linear）。

模型线

• Vanilla：纯人类预训练 world–action（联合预测未来视频与动作），再 mid-train / 后训练到多视角机器人策略；
• Goal：混合人类–机器人数据 + 目标图像条件，强调零样本执行与无需改参的视觉 in-context 适应。

发布状态与局限

• HF Vanilla-Base 为 weights-first：预训练/mid-train 权重可用，归一化统计、完整配置与运行资源会另行补齐；仅下载权重不是可直接推理的完整包；
• 任务级机器人推理需要对应后训练策略与运行时资源；
• 基准数字来自论文自评与对比表，复现请用官方评测套件。

适合谁

• 具身 AI / 机器人学习研究者，需要开源人类预训练配方与 checkpoint；
• 在 RoboTwin、真机双臂等场景做后训练与迁移实验的团队。

如何上手

1. 读 https://arxiv.org/abs/2611.06817 与项目页，弄清 Vanilla vs Goal；
2. hf download DAGroup-PKU/HumanWAM-Vanilla-Base --local-dir HumanWAM-Vanilla-Base；
3. 配合 https://github.com/DAGroup-PKU/HumanNet/tree/open-humanscale 与 HF collection 中的代码/数据做后训练；
4. 等待或另行获取归一化统计与 runtime 资源后再做完整闭环推理；勿把 Base 权重单独当成品策略。