该论文提出w-0模型，联合预测未来视觉与全身动作，解决人形机器人并发运动操作难题。在11个家庭任务上优于9种基线，发布40小时w-HOME数据集。模型分三阶段训练，结合VLM与V-JEPA，支持多视角输入。局限是硬件耦合、延迟高、缺安全机制，未来需验证跨平台泛化。