OpenWAM开放全栈，6400小时预训练模型进入真机测试

01OpenWAM开放机器人世界—动作模型全栈，6400小时数据训练成果进入真实机器人测试

世界—动作模型从视频生成先验继承环境知识，再用具身经验转成机器人控制信号。现有系统常把生成骨干、视觉表示、架构、信息流、推理和数据绑在一起，单项作用难辨。OpenWAM此次发布模块化研究栈及开放模型，并进入真实机器人测试。

OpenWAM-Infra把上述环节拆成可组合模块，统一训练、推理、部署和评测；团队再以受控实验研究继承何种知识、世界与动作学习如何协同，以及这种协同如何扩展。

实验归纳的关键原则包括：使用高容量生成骨干和紧凑、信息丰富的潜在空间；为动作提供独立容量，建立明确的世界到动作信息流；同步联合去噪。团队还称，具身预训练主要改善分布外泛化，第一视角人类与机器人数据的单阶段联合训练可兼顾世界覆盖和动作落地。

据此构建的OpenWAM-α用约6400小时、5.185亿帧第一视角人类及机器人数据预训练。团队称，它在覆盖五种机器人本体的八项模拟基准中居领先梯队，并登顶真实双臂RoboDojo-Real榜单；但完整真实测试成功率、统计区间及独立复测尚缺。团队开放基础设施代码、评测协议、预训练及后训练权重和数据配方。

02AuK统一语音生成与编辑，开放模型以四步推理换取4.5倍加速

开放语音基础模型AuK把语音生成、内容编辑、增强与分离、副语言特征编辑和声学编辑五类任务纳入同一接口，用户可用自然语言指令和音频上下文控制生成或修改。团队此次同时开放源代码和模型权重。

AuK基于约30.3亿个指令—音频实例训练，形成195万小时有效监督数据。模型由多模态大语言模型提供语义条件，再用联合训练于语音、一般音频和音乐的VAE提供声学条件，随后通过先双流、后单流的整流流Transformer生成音频。

训练先做纯生成预热，再联合预训练生成与编辑；后训练则以人类反馈偏好优化处理开放式编辑，以奖励强化学习改善语音生成。经一致性初始化和任务路由蒸馏后，AuK-Flash无需无分类器引导即可四步推理。团队称其在相同条件下比完整模型快4.5倍；但所用硬件、绝对延迟、完整质量指标和独立评测结果均未披露。

03Uno用扩散并行生成加速自回归模型，团队报告吞吐量最高提升3倍

自回归语言模型逐个生成token，顺序执行限制推理速度。Uno团队提出一种扩散增强模型，并已发布代码和检查点：它保留标准下一token目标训练的自回归权重，同时加入轻量扩散权重，并行提出多个token。

这些扩散权重经额外蒸馏训练，可从零训练或加到开放权重模型上；Ψ-Spec采样器再按自回归分布完成采样。它不同于依赖独立草稿模型的投机解码，也不同于可能牺牲原模型质量的纯扩散模型，但「无损」仍是团队主张。

团队称，Uno在所有受测批量大小下均超过对比的投机解码方法，吞吐量最高为基础模型的3倍；8B版本在其代理工具使用、编码和长上下文评测中超过26B DiffusionGemma和Mercury 2。

目前验证主要集中于8B模型，来源未完整披露硬件、绝对延迟和KV缓存压力，也未覆盖更大模型、MoE或SSM；社区还对框架原创性提出异议。