★ FEATURED ARTICLE 如何快速上手EasyWAM-Unified-Wan223步跑通LIBERO世界模型机器人评测EasyWAM-Unified-Wan22 是基于 Wan2.2-TI2V-5B 视频扩散模型的世界动作模型World Action Model开源权重库用单个 Video DiT同时对视频与动作 token 进行表示与去噪。本文带你用 3 个步骤快速跑通 LIBERO 机器人操作基准评测准备环境 → 下载权重 → 执行评测命令全程无需训练经验。 什么是 EasyWAM-Unified-Wan22统一建模一个 Video DiT 联合表示视频 token 和动作 token两种模态通过同一组自注意力层双向耦合属于世界模型 动作模型一体化的架构。两套权重全参数检查点 libero_unified_wan22.ptLoRA 检查点 libero_unified_wan22_lora_128.ptrank 128、alpha 128作用于 Video DiT 骨干模块配套统计文件libero_dataset_stats.json 记录 LIBERO 数据集 state/action 的归一化统计量评测时必须指定。权重使用 CC BY-NC 4.0 许可发布训练框架为 EasyWAMMIT 许可。 LIBERO 评测成绩有多强在 EasyWAM 官方 LIBERO 评测协议下state_position: sequence每个任务 50 次试验全参数版 EasyWAM-Unified 平均成功率达98.6%与同骨干的其他架构基本持平、表现领先模型SpatialObjectGoalLIBERO-10平均EasyWAM-Unified98.498.899.298.098.6EasyWAM-MoT97.099.296.694.096.7EasyWAM-MoT-Joint98.298.097.696.897.7EasyWAM-MoT-IDM99.099.298.897.498.6EasyWAM-Hidden99.2100.097.898.298.8LoRA 版本rank 128平均成功率为87.0%在 Spatial、Object、Goal 上超过 91%适合作为低显存调参基线。更详细的对比结果见 README.md。 3 步快速上手教程第 1 步安装评测环境并获取代码安装 EasyWAM 评测框架并按 EasyWAM 的Wan2.2 骨干指南docs/instructions/backbone/wan22.md准备 Wan2.2-TI2V-5B 依赖。按LIBERO 评测指南docs/instructions/benchmark/libero.md搭建 LIBERO 仿真器。克隆本项目获取权重文件git clone https://gitcode.com/OpenMOSS/EasyWAM-Unified-Wan22⚠️ LoRA 权重不包含完整的 Wan2.2 骨干。评测前必须先下载骨干权重并配置其路径否则无法加载。第 2 步下载 LIBERO 检查点与统计文件使用 Hugging Face CLI 将 3 个评测必需文件拉取到本地hf download OpenMOSS-Team/EasyWAM-Unified-Wan22 \ libero_unified_wan22.pt \ libero_unified_wan22_lora_128.pt \ libero_dataset_stats.json \ --local-dir ./checkpoints下载完成后目录结构如下文件用途libero_unified_wan22.pt全参数模型权重EasyWAM PyTorch 格式libero_unified_wan22_lora_128.ptLoRA 权重 其他可训练 EasyWAM 模块libero_dataset_stats.jsonstate/action 归一化统计min/max、q01/q99、mean/std第 3 步执行评测命令全参数检查点评测python experiments/libero/run_libero_manager.py \ tasklibero_easywam_unified_wan22 \ ckpt./checkpoints/libero_unified_wan22.pt \ EVALUATION.dataset_stats_path./checkpoints/libero_dataset_stats.jsonLoRA 检查点评测注意 task 必须使用带_lora后缀的配方python experiments/libero/run_libero_manager.py \ tasklibero_easywam_unified_wan22_lora \ ckpt./checkpoints/libero_unified_wan22_lora_128.pt \ EVALUATION.dataset_stats_path./checkpoints/libero_dataset_stats.json多 GPU 加速追加MULTIRUN.num_gpusgpu-count参数即可将 4 个 LIBERO 套件Spatial、Object、Goal、LIBERO-10各 50 次试验/任务分布到多卡并行大幅缩短评测时间。 常见问题与避坑指南Q加载 LoRA 权重报错或结果异常检查两件事① 是否已配置 Wan2.2-TI2V-5B 骨干权重路径② task 是否用了libero_easywam_unified_wan22_lora配方LoRA 检查点必须匹配_lora配方加载。Q评测指标对不上论文数值确认 state token 放置方式为sequence本项目权重即采用该方式且四个套件均使用默认 50 trials/任务的协议。Q可以商用吗权重遵循 CC BY-NC 4.0仅限非商业用途学术研究可正常引用misc{easywam2026, title {EasyWAM: A Unified and Efficient Framework for Training and Evaluating World Action Models}, author {EasyWAM-Team}, year {2026} }✅ 总结只需 3 步——搭环境、下权重、跑命令——你就能在本地完成 EasyWAM-Unified-Wan22 的 LIBERO 世界模型机器人评测。全参数版 98.6% 的平均成功率让它成为验证世界动作模型能力的高性价比基线LoRA 版则适合快速实验与小显存场景。完整说明请参考 README.md。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
阅读完成 · 觉得有帮助？
