你让机器人把杯子放进水槽，它其实要回答两个问题：如果这样伸手，杯子和周围物体会怎么动；下一步又该怎样控制关节。前一个问题通常交给“世界模型”——机器人脑中的简易模拟器，用来预演动作后果；后一个交给“策略”（policy）——把眼前状态直接变成下一步动作。GreenWAM 想把这两份工作交给同一个基础模型，而且让它能跨不同机器人的身体复用。
这正是它值得关注的地方。研究团队没有只做一个更会预测的视频模型，也没有只训练一个执行任务的控制器，而是尝试证明：预测未来与选择动作可以共享同一套能力。不过，目前材料虽标为论文全文抓取，实际可用内容主要是摘要；以下成绩和结论均来自作者陈述，缺少完整实验表格的独立核对。
先让不同机器人说同一种“身体语言”
跨机器人训练首先会撞上一道很实际的障碍：每种机器人的身体不同。双臂机器人、灵巧人形机器人拥有不同数量的关节，动作数据的记录格式也不一样。对模型来说，它们像是在用不同语言描述“抬手”或“转腕”。
GreenWAM 的第一步，是建立共享的 anatomical action space，也就是“解剖学动作空间”。它用统一的关节坐标描述 20 个机器人家族，覆盖双臂机器人和灵巧人形机器人等形态。可以把它理解成一套共同的身体描述语言：机器人不必长得一样，但它们的动作可以被翻译到同一个坐标体系里。
这一步解决的不是具体任务，而是数据能否放到一起学习的问题。世界基础模型——在多种机器人和任务数据上训练、之后还能适配不同用途的通用模型——要跨身体复用，首先得知道不同机体的动作分别意味着什么。
同时练三种模式
有了共同语言，GreenWAM 在这 20 个机器人家族上联合训练三种模式：visual、action-conditioned 和 world-action。
摘要没有进一步展开三种模式的输入输出格式，因此不能替作者补全实现细节。但从论文给出的整体问题可以看出，这套联合训练要把“观察世界”“根据动作预测变化”和“由世界状态生成动作”放进同一个模型。换句话说，模型既练习看懂场景，也练习预演某个动作的后果，还练习直接决定该做什么。
这种安排试图缩短预测与控制之间的距离。传统分工像是一个人负责推演路线，另一个人负责握方向盘；GreenWAM 则让同一个系统掌握两种角色。作者将它称为 world foundation model，即面向机器人的世界基础模型。
但“一身两用”不等于所有部分都完全混在一起。用于控制时，GreenWAM 会把 action expert——专门生成动作的模块——从生成器中拆分出来。论文的受控实验称，在适配开始时就完成这种拆分，有助于提升效果。摘要没有披露具体提升幅度，因此这里更适合把它看作一条设计证据，而不是已经量化清楚的普遍规律。
会预测，也能直接动起来
作为世界模型，作者称 GreenWAM 在 WorldArena 1.0 上的轨迹、深度和 3D 准确率达到“top-tier”，并领先其比较范围内的全部 world-action 模型和视频生成器。轨迹关注物体或机器人怎样移动，深度反映场景中物体离观察者多远，3D 准确率则考察模型对三维变化的把握。
这里要注意措辞边界。“top-tier”是作者的概括，材料没有给出分数、误差、样本量或显著性；“领先”也只适用于作者选取的比较方法，不能扩写成超过所有现有模型。
作为控制策略，作者称 GreenWAM 位于 RoboTwin 2.0 排行榜的“top entries”之中，并在所比较的方法里取得最高的 zero-shot LIBERO-plus 成功率。zero-shot 指模型不针对目标评测任务额外训练，直接上场测试。这个结果想说明，联合学到的能力可以迁移到没专门练过的任务，而不只是记住训练场景。
作者还称，GreenWAM 在 CALVIN 和 LIBERO 上可与专用的 vision-language-action 模型及 world-action 策略竞争。vision-language-action 模型把视觉、语言指令和机器人动作连接起来。不过，摘要同样没有给出具体成绩和差距，“可竞争”目前只能按作者的定性表述理解。
从基准走到真实人形机器人
GreenWAM 还被适配到一台真实人形机器人。按论文摘要的说法，它成功执行任务的次数多于分别从 和 Cosmos 3 Edge 适配而来的策略。这比单纯在模拟基准上得分更接近实际控制，但材料没有提供成功率、试验次数、任务构成或方差，因此不能据此断言它已全面优于这两个对照。
研究团队还把模型蒸馏成 single-step policy，即“一步式策略”。蒸馏是把较大模型的能力转移到更轻量模型；一步式策略则直接生成当前一步的控制动作。这样做的目标是满足实时控制，因为机器人不能花很长时间反复推演后才动一下。材料确认完成了这项蒸馏，但没有披露控制延迟或运行速度。
为什么这是一个强信号
GreenWAM 最有意思的地方，不是某一项榜单名次，而是它给出了一条统一路线：先用共同动作空间连接不同身体，再联合学习世界预测与动作生成，最后按控制需要拆出动作模块。
作者报告的受控实验还提供了两条相互呼应的观察。第一，针对机器人领域做专项化训练，会同时改善世界预测和控制，而不是只顾此失彼。第二，在把模型适配成策略时，继续保留世界模型的训练模式，可以维持模型面对场景变化时的鲁棒性——也就是环境有所变化时，表现不容易立刻垮掉。
这意味着“理解动作后果”可能不只是训练控制器时的辅助任务。至少在作者的实验里，它还能帮助策略保留应对变化的能力。预测与行动因此不是两个碰巧塞进同一模型的功能，而可能形成互相支持的训练机制。
局限与未知
- 所有材料来自同一篇论文的摘要式内容，缺少完整评测表、任务数量、样本量、误差和统计显著性；“top-tier”“top entries”和“competitive”都应暂按作者表述看待。
- RoboTwin 2.0 未提供榜单快照、具体名次和评测日期；真实机器人实验也未披露成功率与试验规模，现阶段无法判断优势有多大、是否稳定。
- 摘要没有说明统一动作空间如何处理身体差异，也没有交代三种训练模式、蒸馏过程和实时控制速度。GreenWAM 展示了“一身两用”的方向，但其适用边界仍需完整论文细节来确认。