视觉-语言-动作（VLA）模型与世界动作模型（WAMs）的融合正在推动机器人学习从反应式控制向预见性推理转变。VLA模型虽在语义泛化方面表现优异，但其反应式特性限制了长程任务的执行能力。WAMs通过联合建模未来状态与动作的联合分布，为机器人提供预测性推理能力。本文系统梳理了WAMs的架构分类（级联式与联合式）、技术路线、数据生态与评估体系，揭示了这一快速演进领域的发展趋势。级联式WAM保持预测与执

视觉-语言-动作（VLA）模型与世界动作模型（WAMs）的融合正在推动机器人学习从反应式控制向预见性推理转变。VLA模型虽在语义泛化方面表现优异，但其反应式特性限制了长程任务的执行能力。WAMs通过联合建模未来状态与动作的联合分布，为机器人提供预测性推理能力。本文系统梳理了WAMs的架构分类（级联式与联合式）、技术路线、数据生态与评估体系，揭示了这一快速演进领域的发展趋势。级联式WAM保持预测与执

具身智能系统对三维内容的需求正从"视觉逼真"转向"仿真就绪"。香港科技大学领衔的研究团队系统梳理了面向具身智能与机器人仿真的三维生成技术，提出以"数据生成器—仿真环境—Sim2Real桥接"为核心的三角色分类体系，涵盖从仿真就绪资产生产、可交互世界构建到虚实迁移闭环的完整技术链路。

视觉世界模型代表了人工智能领域一项基础而雄心勃勃的追求：让机器通过观察视觉世界来理解其运行规律，并基于这种理解进行可靠的预测和交互。《From Seeing to Knowing the World: A Survey of Vision World Models》通过提出以视觉为中心的统一框架，系统性地梳理了这一快速发展的领域，将纷繁复杂的研究工作组织为清晰的结构，并为未来的研究指明了方向。

本文综述了具身世界动作模型（WAM）的最新进展，系统梳理了六大技术支柱：基础世界模型、视觉-语言-动作（VLA）模型、具身WAM、自动驾驶世界模型、效率与评测、数据集与生态。研究显示，世界模型正从被动视频预测器演进为可交互的物理仿真器，而VLA模型则建立了连接语义意图与运动控制的桥梁。二者的融合催生了WAM这一新型架构，使智能体能够通过"想象"未来状态来规划动作。文章重点分析了

本文综述了具身世界动作模型（WAM）的最新进展，系统梳理了六大技术支柱：基础世界模型、视觉-语言-动作（VLA）模型、具身WAM、自动驾驶世界模型、效率与评测、数据集与生态。研究显示，世界模型正从被动视频预测器演进为可交互的物理仿真器，而VLA模型则建立了连接语义意图与运动控制的桥梁。二者的融合催生了WAM这一新型架构，使智能体能够通过"想象"未来状态来规划动作。文章重点分析了

本文综述了具身世界动作模型（WAM）的最新进展，系统梳理了六大技术支柱：基础世界模型、视觉-语言-动作（VLA）模型、具身WAM、自动驾驶世界模型、效率与评测、数据集与生态。研究显示，世界模型正从被动视频预测器演进为可交互的物理仿真器，而VLA模型则建立了连接语义意图与运动控制的桥梁。二者的融合催生了WAM这一新型架构，使智能体能够通过"想象"未来状态来规划动作。文章重点分析了

本文系统梳理了视觉-语言-动作(VLA)模型的数据基础设施，重点分析数据集、基准测试和数据引擎三大支柱。研究表明，VLA发展面临fidelity-cost权衡困境：真实世界数据集保真度高但成本昂贵，合成数据可扩展性强却保真度不足。当前主流采用"合成预训练+真实微调"范式，而未来突破将更依赖高质量数据引擎与结构化评估协议的协同设计。基准测试评估显示，多场景任务中的组合推理和环境变

华为云在HDC2025大会上发布盘古大模型5.5，其中盘古世界模型实现重大突破——成为业界首个支持可交互4D空间生成的大模型。该技术通过精准时空对齐和物理一致性建模，可生成符合自然规律的数字物理空间，为智能驾驶、具身智能机器人等提供训练环境。典型应用包括：基于火星照片构建可交互的火星数字空间训练火星车，以及为自动驾驶生成像素级对齐的多模态训练数据。盘古世界模型标志着AI从内容生成迈向世界构建的新阶

华为云在HDC2025大会上发布盘古大模型5.5，其中盘古世界模型实现重大突破——成为业界首个支持可交互4D空间生成的大模型。该技术通过精准时空对齐和物理一致性建模，可生成符合自然规律的数字物理空间，为智能驾驶、具身智能机器人等提供训练环境。典型应用包括：基于火星照片构建可交互的火星数字空间训练火星车，以及为自动驾驶生成像素级对齐的多模态训练数据。盘古世界模型标志着AI从内容生成迈向世界构建的新阶