具身智能下一站：从世界动作模型走向世界任务模型
作者提出 WTM（世界任务模型）概念，预判行业将从优化单步动作的 WAM，转向以任务完成度为第一性指标的 WTM 范式。
2026 年世界模型赛道最热的概念是 WAM（World Action Model，世界动作模型）。GigaWorld-Policy 把推理压到 85 毫秒，酷哇用 DAWN 架构让世界预测与动作生成在隐空间里「博弈」，星源智的 ω-EVA 让机器人在动手前先预演后果——这些团队的共同目标是让机器人「想清楚再动」。但本文作者认为，仅优化单步动作远远不够，行业下一站应是 WTM（World Task Model，世界任务模型）。
WAM 的天花板：优化的是「动作」，不是「任务」
理解 WTM 出现的必然性，需要先看清 WAM 在优化什么。GigaWorld-Policy-0.5 的论文明确指出，WAM 核心是「联合建模动作和未来视觉观测，用未来场景演化作为动作生成的密集监督」。酷哇 CooWAIM 2.0 提出 WAIM，让世界预测器与动作降噪器在推理时递归互修正。星源智 ω-EVA 的「Envision-Verify-Act」三段式同理——先生成候选动作，在潜空间预演后果，再修正动作执行。
这三家的共同点是：优化颗粒度都是「一个动作 chunk」或「一小段未来」。酷哇在论文消融中承认，最有性价比的推演视野是 2–3 秒的「短时潜变量推演」，再长就边际效益递减。GigaWorld-Policy 甚至为了部署效率，关闭了推理时显式生成未来视频的选项。
翻译过来就是：WAM 再聪明，也只在「下一步怎么走」上反复内卷，从不抬头看「10 步之后任务能不能成」。这就是乘法效应带来的根本问题——一个 10 步任务，每步成功率 95%，整体成功率只剩 60%；每步 99%，整体也仅 90%。展会上 VLA 与 WAM 演示频频翻车，原因正在于此。
把「任务完成度」作为第一性指标
WTM 是一类在联合建模世界动态与动作的同时，显式把「任务进度 / 子目标完成度 / 最终任务成功率」作为核心监督信号和优化目标的模型范式。它与 WAM 有三个本质差异：
- 优化目标不同：WAM 输出「给定当前观测和语言指令的最优动作」；WTM 优化的是整个动作轨迹——它问「按这个干法，最后能不能成」。
- 误差处理方式不同：WAM 中每步误差独立计算、独立累积，乘法效应爆发；WTM 中误差在任务进度空间被「吸收」，走偏了则任务进度没涨，模型立即调整。
- 数据真实性不同：WAM 的「单步成功率 95%」在展会演示里会被现实打脸；WTM 的评测指标直接是「任务成功率」，客户一眼就能看懂。
谁离 WTM 最近？
结合公开材料，按「距离 WTM 的远近」对典型企业排序：
- Physical Intelligence：最接近 WTM 的 VLA 派。π0.5 引入高层子任务预测，π0.7 引入视觉子目标图与多样化条件框架——这是在 VLA 壳里硬塞「任务进度」与「子目标」的显式表征。不过 PI 尚未把子任务当作联合训练的核心监督信号，也缺显式的任务进度回归头。
- 星源智：国内最具 WTM 气质的世界模型。ω-EVA 的「Envision-Verify-Act」让世界模型进入动作决策闭环，并从失败数据中持续进化。但其修正闭环仍局限于「当前状态 + 候选动作 + 想象后果」的局部三元组，没有显式的任务图与子目标序列。位置可概括为「WAM 的山巅，WTM 的门廊」。
- 酷哇 CooWAIM 2.0：DAWN 架构在 NAVSIM 上拿到 89.1 PDMS，是连续控制场景下 WAM 的工程巅峰，但其自动驾驶/轮式机器人场景与「离散任务图」式 WTM 方向错位，属平行赛道。
- 极佳视界 GigaWorld-Policy-0.5：用 Mixture-of-Transformers 把视觉动态建模与动作生成拆为两个 expert，仅在推理时跑动作 expert（RTX 4090 上 85 毫秒）。它是 WAM 的工程化样板，但因主动放弃推理时的「世界」建模，距离 WTM 最远。
- 橡木果：明确「别卷 VLA」，走「本能驱动」路线——端侧 Natus 模型自带定向、探索、执行三大本能，毫秒级响应，通过触觉自打标产生「肌肉记忆」。它没有世界模型，却以「本能 + 技能」的方式逼近 WTM 想要的「任务可靠完成」效果，验证了 WTM 不一定非要以世界模型形态存在。
从「玩具期」走向「工具期」
从 WAM 到 WTM 的切换，本质是一场认知维度的降维打击：WAM 信奉还原论，试图把每一动作优化到极致来拼凑完美任务；WTM 信奉系统论，直接关注任务是否完成，砖怎么摆只是达成目标的手段。
对于 PI、星源智等模型派，WTM 意味着架构重构；对于橡木果等本能派，WTM 意味着「肌肉记忆」找到了对标任务完成度的商业语言。无论路径如何，行业共识正在形成：具身智能的「玩具期」结束了，「工具期」开始了。接下来的核心问题不再是模型能跑多快，而是它能否在真实产线上，把「任务完成」的钩选上。
备注：本文提出的「WTM（World Task Model）」概念系作者基于行业观察的技术演进判断，并非已被学界统一定义的标准术语；所提及企业（Physical Intelligence、星源智、酷哇、GigaWorld 等）的技术路径仍处于 WAM 或 VLA 范式内。