WLA

WLA（World-Language-Action）是一个面向具身智能的统一多模态模型，旨在联合建模物理世界、理解自然语言指令并生成机器人动作序列。其核心采用端到端架构，支持图像、语言与动作三模态联合训练，在LIBERO和RoboTwin 2.0等标准具身任务基准上验证了跨任务泛化与视频引导新任务学习能力；技术特点包括多任务联合训练、跨具身视频迁移（same/cross-embodiment co-training）及基于视觉-语言对齐的动作合成机制。适用于服务机器人、工业自动化仿真、教育机器人实验平台等需语言驱动自主操作的具身AI研发场景。