By Unbug 
新加坡南洋理工大学、北京大学和北京智源研究院等机构合作的一篇论文w-0：潜变量预测式世界动作模型实现人形机器人并发运动操作 (w-0: A Latent Predictive World Action Model for Concurrent Humanoid Loco-Manipulation)，提出了一种将未来视觉潜在预测与全身动作生成联合建模的新范式。该论文在 11 个真实家庭任务上持续优于 9 种基线方法，并发布了目前最大规模的人形家庭操作数据集 w-HOME（40+ 小时）。
核心问题与方法设计
人形机器人在家庭环境中具有独特优势，但真实的辅助任务需要并发运动操作——下肢、躯干、手臂和手在移动过程中持续相互适应。擦桌子的机器人必须迈步、倾斜身体并保持接触；拖地的机器人必须在移动中控制长柄工具。当前系统面临两大挑战：视觉-语言-动作策略以手臂为中心设计，底盘与手臂被视为独立组件；世界-动作模型依赖视频预测，时间不一致性被放大为不稳定运动。
w-0 的核心转变在于将未来视觉预测用作紧凑的预测信号而非视频生成目标。训练分为三个阶段：第一阶段通过构建离散全身动作词汇表，微调 Qwen3-VL-2B-Instruct 使 VLM 学会将视觉观察与动作 token 关联；第二阶段受 V-JEPA 启发进行未来嵌入预测，关键创新是通过 SONIC 仿真回放将人类运动数据转换为机器人可执行的动作监督；第三阶段使用 w-HOME 真实演示数据进行微调，支持同视角和外视角 RGB-D 输入。
实验结果与行业影响
w-0 在 11 个家庭任务上进行了全面评估，涵盖桌面操作、物体转移、清洁和移动操作等场景。所有方法使用单个多任务模型训练，每种方法和任务进行 10 次独立试验。经典模仿学习方法（ACT 和 Diffusion Policy）在长时距人形运动中表现困难；VLA 基线的动作接口并非为统一全身控制设计；WAM 基线要么面向手臂操作，要么依赖不兼容控制器接口的视频生成。
w-0 联合学习未来视觉潜在变量和 SONIC 兼容的全身动作潜在变量，生成更连贯的全身行为。Omni-View 变体（支持同视角和外视角输入）在拖地、跨位置转移等运动密集任务中优势尤为明显。该研究代表了 AI Agent 从数字世界向物理世界的延伸——Micropaper 系列此前主要关注 Web Navigation 和 Computer Use，w-0 展示了具身操作能力的完整图景。
局限与未来观察点
w-0 在 G1 人形机器人上评估，动作接口与特定硬件紧密耦合，跨平台泛化能力尚未验证。模型包含 VLM、T5、V-JEPA 和 DiT 等多个组件，推理延迟对实时控制仍是挑战。论文未讨论真实世界操作中的安全问题，缺乏安全约束机制。未来值得观察的方向包括：架构能否推广到 Tesla Optimus、Figure 02 等平台；潜变量预测范式如何与具身大模型融合；以及如何集成安全约束和人机交互协议。
一分钟读论文：《追踪错误生命周期以识别长程Agent轨迹中的关键失败》