Light-WAM

Light-WAM 是一个面向机器人操作任务的轻量级世界动作模型（World Action Model），旨在高效建模视觉-动作联合序列。其核心采用冻结的 Wan2.1-T2V-1.3B 视频生成主干网络，结合 LoRA 适配器、降采样潜空间未来视频监督、状态融合查询池化及 StateFusionActionExpert 动作分块解码器，在保持性能的同时显著降低计算开销。项目提供完整的训练与评估流程，支持 LIBERO 和 RoboTwin2.0 等主流机器人仿真基准，适用于需要低延迟、高泛化性的具身智能动作规划与模仿学习场景。