银河通用新模型部署技术WAM-TTT发布，让机器人靠看视频适应新环境

机器人前瞻（公众号：robot_pro）




作者 | 钟宸




编辑 | 漠影

机器人前瞻7月16日报道，今日，银河通用宣布正式发布WAM‑TTT（World‑Action Model Test‑Time Training），作为银河星脑（AstraBrain）的


最新规模化部署技术


，是该公司团队在世界‑动作模型（World‑Action Model，WAM）领域的一项原创性技术。

该公司称，作为


全球首个


面向具身智能大模型的测试时后训练框架，WAM‑TTT让机器人在完成技能学习并进入真实部署场景后，能够在无需大量机器人轨迹数据、无需人类动作标注的前提下，


仅需少量人类数据，即可快速完成对当前环境的部署适应


。

一、引入元训练机制，实现三大核心突破

WAM-TTT 并非将人类视频视为需要模仿的“轨迹”，而是通过自监督视频预测，将这些视频信息整合到预训练好的机器人控制模型中。为了使这些信息能够被有效利用于控制过程，银河通用引入了


元训练机制


：利用人类与机器人的交互数据，以及键值存储机制，来调整机器人行为以符合人类的期望。

在测试时，只需使用未标记的人类视频即可对模型进行更新，而预训练好的机器人控制模型则保持不变。这样一来，无需额外的机器人动作或人类方面的标注，就能实现高效且可重复的机器人控制。或者通过针对特定任务的微调来提升模型性能，同时保持基础模型的泛化能力。

架构层面，WAM-TTT在LDA的基础上，构建了一个预训练的世界行为模型。在LDA 中的每个扩散变换器模块中，都包含


两个相互协作的“专家”


：一个是处理视觉相关信息的“视觉专家”，另一个是处理机器人动作相关信息的“动作专家”。这两个“专家”通过


联合注意力机制


进行信息交流。

在视频 TTT 层，银河通用保留了预训练好的 WAM 架构，只是在该架构中增加了用于处理视频数据的 TTT 残差模块。

该公司表示WAM‑TTT实现了三大核心突破：

• 
  
  
  部署阶段仅需人类视频
  
  
  ——普通人通过录制示范视频可指导机器人完成场景适应。WAM‑TTT将人类视频吸收到冻结的 WAM 主干内部的轻量级自适应记忆中，通过
  
  
  自监督视频预测
  
  
  完成学习。在银河通用发表的论文中，该公司设计了对比人类数据与机器人数据有效性的对照实验：使用100条机器人轨迹搭配100条人类视频，模型达到了74.1%的成功率，
  
  
  与使用200条纯机器人轨迹（73.7%）的性能基本持平
  
  
  。
  
  


• 
  
  
  部署阶段无需任何动作标注
  
  
  ——无需手部关键点、抓取位置、操作步骤等人类标注，WAN-TTT可实现纯视频自监督端到端学习。
  

• 
  
  
  预训练参数完全冻结，专用参数快速学习
  
  
  ——借助“大模型主干冻结+轻量内存模块后训练”范式，该模型可在保留通用泛化性的同时实现零遗忘。
  

二、超越上下文学习，在家庭环境任务中名列第一

在真实世界跨环境评估中，WAM‑TTT以75.6%的技能泛化保持率领先其他模型。银河通用称，这是


全球首次在真实机器人任务中系统证明




“


测试时训练”（TTT）在泛化性上碾压“上下文学习”（ICL），为具身智能部署时的适应方案选择提供了技术路线指引。

而对9项之前未曾见过的家庭环境操作任务进行的测试中，该模型平均进度


名列第一


，在包括转瓶子、清理餐桌等七项任务中名列第一。

银河通用成立于2023年5月，是一家具身多模态大模型通用机器人企业，致力于为全球用户提供通用机器人产品，并已应用在商业、工业、医疗等场景中。该公司在ICCV 2025全球首次提出的


“世界-动作模型”（WAM）


，现已成为具身智能领域


公认的下一代技术方向


。