Flex-π 是华盛顿大学与英伟达提出的 60 亿参数世界-动作模型，旨在调和 VLA 与 WAM 之争。它用单一冻结 VAE 同时编码 RGB 与 3D 点图，用 DINOv3 提供物体语义，经 Mixture-of-Transformers 融合。训练时随机掩蔽视觉流并施加跨模态强制，使单一权重在推理时可灵活选择快慢路径，兼顾实时性与泛化，无需额外传感器或重训先验。

蚂蚁灵波与港科大联合提出Zero-WAM，一种因果视频-动作模型，通过上下文学习实现机器人零样本跨任务泛化。它利用人类视频作为任务描述，并构建HumanGen数据集（含8.6K任务、74.2K人机样本），提出上下文未来片段预测目标，避免模型走捷径，从而从视频中提取任务信息执行未见任务。

清华AIR与域变换联合发布Zeva，首个实现上下文因果学习（ICCL）的具身模型。它无需更新权重，通过因果交互提取、双时标记忆和上下文策略注入，让冻结模型在部署中自进化。在基准任务中累计成功率从26%提升至73%，真实化学实验室任务成功率显著增长，并支持一次人类演示学会新操作，开启上下文空间扩展的新范式。

VT-WAM是一种视觉-触觉世界动作模型，旨在提升机器人在复杂环境中的操作能力。它结合视觉和触觉信息，通过非对称MoT注意力和接触门控机制优化动作预测，强调触觉动态的重要性，以克服视觉信息的主导偏差。

英伟达的Jim Fan宣布VLA（视觉-语言-动作）架构已过时，推出新范式WAM（世界动作模型），代表作DreamZero。WAM通过人类第一人称视频训练，提升机器人自主设计能力，预计2040年前实现机器人自我制造。新模型强调视觉和动作的重要性，告别遥操作数据，采用外骨骼装置采集数据。

研究者探讨了世界模型代理（WAM）在测试阶段是否需要显式未来想象，提出了Fast-WAM架构，训练时保留视频共训练，推理时跳过未来预测。结果显示，视频预测主要在训练阶段提升模型性能，而非在推理阶段生成未来观测。