WALL-WM

WALL-WM to otwarty (open-source) model działania świata (world action model) dla ucieleśnionej AI ogólnego przeznaczenia, opracowany przez X Square Robot (自变量机器人, Shenzhen) i udostępniony 29 maja 2026 r. Należy do serii WALL i został opisany w pracy „WALL-WM: Carving World Action Modeling at the Event Joints” (arXiv:2606.01955).

Kluczową ideą jest przejście od uczenia opartego na sztywnych blokach czasowych (chunk-centric) do pretreningu wizualno-językowo-akcyjnego ugruntowanego w zdarzeniach (event-grounded), w którym atomową jednostką uczenia jest spójne semantycznie zdarzenie akcji (np. chwyt, podniesienie). Dzięki temu model uczy się celów zadania, a nie zapamiętywania sekwencji pikseli, i lepiej godzi semantykę języka, ciągłą dynamikę obrazu oraz akcje na poziomie sterowania.

Model łączy predykcję wideo z predykcją akcji na granicach zdarzeń. Oferuje dwa tryby inferencji: tryb zdarzeniowy (o zmiennej długości) oraz tryb zunifikowany z dekodowaniem schodkowym (Staircase Decoding). Wykorzystuje infrastrukturę pretreningu opartą na optymalizatorze Muon oraz architekturę trójwarstwową.

WALL-WM jest udostępniony na licencji Apache-2.0 wraz z kodem i narzędziami (GitHub wall-x, Hugging Face), co pozwala na komercyjne i niekomercyjne użycie, samodzielne uruchamianie oraz dostrajanie. Model uzupełnia serię WALL o zdolność modelowania świata i przewidywania skutków działań na potrzeby planowania i uczenia polityk robotów.