开源，正在成为推动整个领域快速迭代的关键力量。
前半段：带大家拆解 UnifoLM-WMA-0 的定位、亮点与能力； 后半段：结合 GitHub 仓库，整理一份简明的上手指南，帮助你快速复现与使用。
模型核心亮点
世界模型+动作决策的组合拳
UnifoLM-WMA-0 的核心在于一个“世界模型”。它能理解机器人和环境之间的物理规律，并具备两大功能：
仿真引擎：像一个交互式模拟器，能根据机器人动作生成未来环境的变化，从而产生丰富的合成数据。
策略增强：与动作头（Action Head）相连，通过预测未来交互，辅助机器人做出更优的决策。
换句话说，它既能“演练未来”，也能“指导现在”。
双模式架构，既能决策也能模拟
UnifoLM-WMA-0 设计了两种运行模式：
决策模式（Decision-making Mode）：预测接下来会发生什么，给策略模块提供额外参考，从而提升动作生成的可靠性。
仿真模式（Simulation Mode）：直接模拟环境对动作的反馈，相当于在脑子里先跑一遍实验，再决定真实世界里要不要执行。
这种设计，让模型既能做“参谋”，也能当“模拟器”。
真机验证，效果直观
在宇树的 Z1 机械臂和 G1 人形机器人上，研究团队已经做了部署实验。无论是堆叠方块、收拾铅笔，还是装配相机，右上角的小窗口都会实时显示世界模型对未来动作的预测画面。对比真实执行过程，你会发现它确实能提前“预见”几步后的环境变化。
▲视频 | 官方给出的部署Demo：G1机器人正在装配相机©️【深蓝具身智能】编译
更强的泛化能力
传统机器人模型往往针对单一场景或任务，而 UnifoLM-WMA-0 则强调跨机器人本体、跨任务的通用性。在五个开源数据集上的测试表明，它不仅能做短期的动作预测，还能在长时间序列上保持稳定生成。
技术细节解读
训练流程：三步打造世界模型
第一步：在 Open-X 数据集上微调视频生成模型，使其具备“世界模型”的能力。也就是说，它不仅能生成画面，还能理解背后的物理交互。 第二步：在下游任务数据集上，进入 决策模式 的训练，专注于预测未来交互以辅助动作生成。 第三步：再在下游任务数据集上进行 仿真模式 的训练，让它能生成高保真的环境反馈。
▲视频 | UnifoLM-WMA-0系统架构©️【深蓝具身智能】编译
数据资源：Z1 和 G1 的开源数据集
为了支撑训练，宇树在 HuggingFace 上同步开放了 5 个数据集，涵盖 Z1 机械臂 和 G1 人形机器人：
Z1_StackBox
Z1_DualArm_StackBox / V2
Z1_DualArm_Cleanup_Pencils
G1_Pack_Camera
这些数据集覆盖了单臂、双臂操作，以及真实的装配与整理任务。对于研究者来说，这不仅是模型训练的材料，也是一个能直接上手的实验资源。
▲图1｜宇树HuggingFace上满满当当的数据，能够给模型的使用者带来足够的“安全感”©️【深蓝具身智能】编译
能力展示：从可控生成到长时交互
UnifoLM-WMA-0 展现了两个很实用的能力：
（1）动作可控生成：
基于当前画面+未来若干步动作，模型可以生成对应的环境变化视频。与真实录像对比，能明显看出预测的准确度。
▲图2｜动作可控生成对比，各位读者可以仔细观察训练前（左）和训练后（右）在机器人的双臂协同动作模式，动作轨迹，动作速率和末端夹爪的移动准确性来对比其效果差异©️【深蓝具身智能】编译
（2）长时交互生成：
不仅仅是预测一两步，而是能连续预测较长时间的交互，支撑长时任务规划。
▲视频｜长时交互生成对比，各位读者可以仔细观察训练前（左）和训练后（右）在机器人的双臂协同动作模式，动作轨迹，动作速率和末端夹爪的移动准确性来对比其效果差异©️【深蓝具身智能】编译
GitHub 上手指南
如果说前半段展示了 UnifoLM-WMA-0 的“能力”，那后半段就更偏向“实操”：
研究者和开发者该如何快速用起来？宇树在 GitHub 上已经把代码、模型和数据都整理好，整体上手门槛不算高。
环境安装
官方推荐使用 Conda，新建环境后依次安装依赖：
▲图3｜宇树提供的官方环境安装代码，详细内容可以参考本文附带的官方Github链接©️【深蓝具身智能】编译
模型获取
在 HuggingFace 上，宇树已经放出了两个版本：
Base：在 Open-X 数据集上微调过，更适合通用测试；
Dual：在五个宇树自研数据集上联合微调，支持“决策+仿真”双模式。
开发者只需下载对应的 Checkpoint，就可以直接推理或继续训练。
模型获取
如果想在自定义数据集上训练，需要先用官方脚本把数据转成 HuggingFace LeRobot 格式，然后修改配置文件（例如机器人自由度、数据路径和数据集权重），最后运行训练脚本即可。整个过程比较标准化，对已有机器人数据的实验室来说，上手门槛不算高。
推理与交互模式
除了训练，UnifoLM-WMA-0 还支持交互推理。只要准备好提示文件夹（包含图像、文本指令和机器人状态），就可以一键运行推理脚本，生成预测视频，并和真实执行结果做对比。这个“小窗口看未来”的效果，也是它区别于传统方法的亮点之一。
▲图5｜动图右上角的小窗即展示了通过世界模型“预测未来”的可视化结果©️【深蓝具身智能】编译
代码架构
仓库的组织结构清晰：核心逻辑集中在 src/unitree_worldmodel/ 下，包括模型实现、数据加载、自定义模块和工具函数。对想做二次开发的研究者来说，阅读和修改都比较方便。
▲图6｜官方提供的代码框架一览©️【深蓝具身智能】编译
总结
在具身智能的开源浪潮中，UnifoLM-WMA-0 的出现，不只是一次单纯的模型发布。它代表着宇树科技从硬件制造者，逐渐走向 “硬件+世界模型+动作决策”一体化的生态构建者。
对于研究者来说，开源的模型、数据和完整代码意味着可以快速复现并开展二次开发；对于行业来说，这种“世界模型+动作”范式有望成为通用机器人学习的关键路径。
随着 π0、WALL-OSS 和 UnifoLM-WMA-0 等项目的相继开源，具身智能领域正在进入一个“共享驱动、加速演进”的阶段。未来，谁能在开源生态中率先跑通从仿真到真机的闭环，谁就可能在通用机器人智能的探索中占据先机。
或许，下一个突破，就来自这些被一次次公开分享的模型与数据。
编辑｜阿豹
审编｜具身君
项目主页：https://unigen-x.github.io/unifolm-world-model-action.github.io/
开源地址：https://github.com/unitreerobotics/unifolm-world-model-action/blob/main/README_cn.md
工作投稿｜商务合作｜转载
：SL13126828869（微信号）
>>自主机器人技术研讨会早鸟报名【倒计时 1 天】<<
为促进自主机器人领域一线青年学者和工程师的交流，推动学术界与企业界的深度交融与产学研合作，中国自动化学会主办了自主机器人技术研讨会（Autonomous Robotic Technology Seminar，简称ARTS）。
基于前两届大会的成功经验和广泛影响，第三届ARTS将继续深化技术交流与创新，定于2025年10月18日-19日在杭州举办。我们诚挚邀请您参加，并欢迎您对大会组织提供宝贵意见和建议！
【具身宝典】具身智能主流技术方案是什么？搞模仿学习，还是强化学习？｜看完还不懂具身智能中的「语义地图」，我吃了！｜你真的了解无监督强化学习吗？3 篇标志性文章解读具身智能的“第一性原理”｜解析｜具身智能：大模型如何让机器人实现“从冰箱里拿一瓶可乐”？｜盘点 | 5年VLA进化之路，45篇代表性工作！它凭什么成为具身智能「新范式」？动态避障技术解析！聊一聊具身智能体如何在复杂环境中实现避障
【技术深度】具身智能30年权力转移：谁杀死了PID？大模型正在吃掉传统控制论的午餐……｜全面盘点：机器人在未知环境探索的3大技术路线，优缺点对比、应用案例！｜照搬=最佳实践？分享真正的 VLA 微调高手，“常用”的3大具身智能VLA模型！机器人开源=复现地狱？这2大核武器级方案解决机器人通用性难题，破解“形态诅咒”！｜视觉-语言-导航（VLN）技术梳理：算法框架、学习范式、四大实践｜盘点：17个具身智能领域核心【数据集】，涵盖从单一到复合的 7 大常见任务类别｜｜90%机器人项目栽在本地化？【盘点】3种经典部署路径，破解长距自主任务瓶颈！｜VLA模型的「核心引擎」：盘点5类核心动作Token，如何驱动机器人精准操作？
【先锋观点】周博宇 | 具身智能：一场需要谦逊与耐心的科学远征｜许华哲：具身智能需要从ImageNet做起吗？｜独家｜ICRA冠军导师、最佳论文获得者眼中“被低估但潜力巨大”的具身智能路径｜独家解读 | 从OpenAI姚顺雨观点切入：强化学习终于泛化，具身智能将不只是“感知动作”
【非开源代码复现】非开源代码复现 | 首个能抓取不同轻薄纸类的触觉灵巧手-臂系统PP-Tac（RSS 2025）｜独家复现实录｜全球首个「窗口级」VLN系统：实现空中无人机最后一公里配送｜不碰真机也不仿真？（伪代码）伯克利最新：仅用一部手机，生成大规模高质量机器人训练数据！
我们开设此账号，想要向各位对【具身智能】感兴趣的人传递最前沿最权威的知识讯息外，也想和大家一起见证它到底是泡沫还是又一场热浪？
欢迎关注【深蓝具身智能】👇
【深蓝具身智能】的内容均由作者团队倾注个人心血制作而成，希望各位遵守原创规则珍惜作者们的劳动成果。
投稿｜商务合作｜转载：SL13126828869（微信）
点击❤收藏并推荐本文
