（1）《三年面试五年模拟》AIGC / LLM / AI Agent 算法工程师与开发工程师求职面试秘籍，独家资源见 WeThinkIn/AIGC-Interview-Book，欢迎 Star！
（2）AIGC / LLM / AI Agent 算法岗与开发岗求职面试内推学习社群，涵盖 AIGC、LLM 大模型、AI Agent、传统深度学习、自动驾驶、机器学习、计算机视觉、自然语言处理、强化学习、大数据挖掘、具身智能、元宇宙、AGI 等方向的最新面试干货与核心知识，欢迎加入(https://t.zsxq.com/33pJ0)！

---

论文标题：UnifoLM-WLA-1.0
论文作者：宇树
发表时间：2026年9月

---

本文要点
（1）UnifoLM-WLA-1.0是宇树2026年9月发布的人形基础模型，6B参数，路线叫世界-语言-动作。
（2）约2500小时真机数据，一张权重覆盖64项任务，10项全身操作加54项桌面操作。具身推理主干在16项评测里开源模型7项领先。
（3）做法上两点最值得看，用光流加VQ-VAE预测未来会动的区域，以及在UnifoLM-ER-Flow上再挂MMDiT动作专家。
（4）短板是64项任务没有公布成功率，WLA-Base和后训练代码在GitHub开源计划里还没勾。
（5）文末按模型卡config.json的Qwen3-VL架构，附一段Transformers加载示例。

---

宇树在2026年9月放出了UnifoLM-WLA-1.0的项目页。GitHub仓库11日创建，截至16日122个星。我把项目页、README、两张Hugging Face模型卡和仓库里的动作空间文档对了一遍。

CSDN上前代UnifoLM-WMA-0和UnifoLM-VLA-0已经有人写过。这一代名字换成WLA，我想看这三步是怎么收束的。

6B参数，约2500小时真机数据，一张权重覆盖64项任务。项目页英文写平行夹爪加两类灵巧手，中文写成二指夹爪及多种五指灵巧手。两类具体是哪两款，官方材料没有点名。

一、从WMA到VLA再到WLA三代演进

WMA-0是2025年9月的世界模型-动作。世界模型干两件事，按动作生成未来环境当仿真器，再把未来交互预测接到动作头上帮决策。Base在Open-X上微调，Dual在五份宇树开源数据上同时训决策和仿真。

VLA-0是2026年1月29日放出的视觉-语言-动作。底座Qwen2.5-VL-7B，真机12类任务共用一张策略，LIBERO仿真均分98.7。训练和推理代码都开了。

WLA-1.0把前两代想做的事塞进同一个多模态主干。项目页的说法是具身推理、未来动态区域预测、离散动作学习，再加一个MMDiT动作专家出连续动作。MMDiT是按流匹配生成连续动作的专家网络。

代际	发布时间	参数量	路线	真机任务	真机数据	训练推理代码
UnifoLM-WMA-0	2025年9月	未报告	世界模型-动作	未报告	未报告小时	已开源
UnifoLM-VLA-0	2026年1月	底座Qwen2.5-VL-7B，VLA总量未报告	视觉-语言-动作	12类	未报告小时	已开源
UnifoLM-WLA-1.0	2026年9月	6B	世界-语言-动作	64项（10+54）	约2500小时	ER-1和ER-Flow已放，WLA-Base和后训练未放

前两代的权重和代码都能下。这一代能下的是4B的推理主干，6B那张完整权重还在开源计划的空框里。

二、ER-1在Where2Place等空间评测

UnifoLM-ER-1基于Qwen3-VL-4B，超过500万条样本，覆盖点预测、检测、多图推理、2D轨迹、3D检测、多图空间问答，再和通用图文混训。模型卡和项目页都写，16项评测里开源模型7项领先。

对照模型卡加粗的那七项。RefSpatial-Bench 61.7，Where2Place 82.0，Pixmo-Point 73.8，BLINK 93.4，EmbSpatial 88.9，RoboSpatial 73.1，VSR 88.1。

Where2Place上底座Qwen3-VL-4B是63.0，EmbSpatial底座79.6，Pixmo-Point底座48.3。BLINK他们只报相对深度和空间关系两个子任务的平均，自己测的。

输的项目也在同一张表里。Ego-Plan2是55.1，Thinker-4B拿到63.7。VSI-Bench是54.2，Molmo2-ER-4B是74.5。MMMU_VAL是54.7，Qwen3-VL-8B是62.3。空间专项涨了，通用多模态题没有跟着涨。

模型	参数	Where2Place	EmbSpatial	Pixmo-Point	Ego-Plan2	VSI-Bench	MMMU_VAL
UnifoLM-ER-1	4B	82.0	88.9	73.8	55.1	54.2	54.7
Qwen3-VL-4B	4B	63.0	79.6	48.3	40.7	59.3	57.8
Thinker-4B	4B	72.0	80.2	57.4	63.7	65.4	46.2
Molmo2-ER-4B	4B	54.0	78.8	未报告	未报告	74.5	未报告

闭源那边GPT-6-Astra的ERQA是77.7，UnifoLM-ER-1是50.0。项目页说整体可比肩国外闭源大模型，分项看这句话只在空间指点上站得住。

三、光流与VQ-VAE动态区域预测

WMA-0生成的是整段未来视频。WLA把这件事收窄了。

两帧之间算光流，抽出发生变化的区域，再用VQ-VAE编成定长离散token。VLM看当前图，再看任务描述或动作，直接预测未来动态区域的mask token。官方把这套叫做以交互为中心的世界建模，盯的是交互主体和它引起的场景变化。

项目页给了一组摆盘子的例子。t0右臂还举着盘子，t1盘子已经靠近沥水架，光流把右臂和盘子点亮，红色mask扣在会动的手臂、盘子和沥水架上。

背景墙和静止桌面都不必生成。手臂和物体往哪挪，策略才用得上。

四、与GE-Act 2.0的WAM路线对照

同月智元放了GE-Act 2.0，路线叫世界-动作模型WAM。它的生成模块和动作模块都在操作数据上从零初始化，不继承现成的视频生成器。

三块。CoAE把图压成给控制用的连续潜变量。SVP用单步MeanFlow一次生成完整未来状态。IDM从状态转移里恢复动作。

联合训练从300小时扩到30000小时，G1-OP零样本分布外成功率从17.1%到44.1%，G2-90D从13.4%到31.1%。100项任务，20类技能。单卡RTX 5090每段动作104毫秒。

项目	UnifoLM-WLA-1.0	GE-Act 2.0
定位	WLA，VLM主干加动作专家	WAM，生成与动作模块从零训
世界预测	光流动态区域，VQ-VAE离散mask token	CoAE连续潜变量，SVP生成完整未来状态
动作	RVQ离散token加MMDiT连续动作	IDM从状态转移恢复动作
数据	约2500小时真机	联合训练扩到30000小时
评测	64项真机任务，成功率未报告	100项OOD任务，G1-OP成功率44.1%
延迟	未报告	单卡RTX 5090每段104毫秒

差别落在压缩方式上。GE-Act要生成完整未来画面，WLA只预测动态区域的离散mask。GE-Act的动作从视觉未来里反推，WLA的连续动作交给MMDiT，离散动作先在VLM里学。

数据量差一个数量级，评测口径也不同。不能拿44.1%去打64项任务的演示视频。两边都还没把对方的协议复现一遍。

五、RVQ与MMDiT覆盖夹爪和灵巧手

动作空间切成三块，末端位姿、末端关节、下肢关节，各训一个残差向量量化模型RVQ。token按同一时间步送进VLM，得到UnifoLM-ER-Flow。仓库文档把每个未来动作写成54维，当前状态写成60维，默认30赫兹、每段30步，大约一秒。

UnifoLM-WLA-1.0在ER-Flow上面加MMDiT动作专家，把噪声解成连续动作。训练数据约2500小时，写明包括宇树开源数据和BitRobot-HIW-500。

64项任务的视频在项目页上。全身10项是扔垃圾、衣服放进洗衣机、整理鞋架、收拾卫生间、收拾厨房。还有整理床铺、购买蔬菜、文件夹放进柜子、物品放到货架、整理抱枕。桌面54项从叠毛巾、插插头、倒药片到传送带抓零食。成功率一项都没给。

开源数据这边，UniBot-V1 Challenge Dataset已经勾上。Unitree-WBT-Dataset和Unitree-Manipulation-Dataset还是空框。项目页顶部的Code、Models、Datasets现在链到仓库和Hugging Face，不再写Coming soon。没放出来的东西改到README的开源计划里了。

六、本地部署与推理实践

后训练代码和UnifoLM-WLA-Base在GitHub开源计划里还没勾。能下的是UnifoLM-ER-1和UnifoLM-ER-Flow，模型卡写Apache 2.0，体量都标4B。

GitHub README没有推理示例。UnifoLM-ER-1的config.json里architectures是Qwen3VLForConditionalGeneration，transformers_version写5.5.3。下面这段按Qwen3-VL官方Transformers用法，只把模型名换成ER-1。来源是config.json的架构名，不是官方机器人推理脚本。

pip install git+https://github.com/huggingface/transformers

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor

model_id = "unitreerobotics/UnifoLM-ER-1"
model = Qwen3VLForConditionalGeneration.from_pretrained(
    model_id, dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained(model_id)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "scene.jpg"},
            {"type": "text", "text": "Point to the handle of the mug."},
        ],
    }
]

inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

generated_ids = model.generate(**inputs, max_new_tokens=128)
trimmed = [out[len(inp):] for inp, out in zip(inputs.input_ids, generated_ids)]
print(processor.batch_decode(trimmed, skip_special_tokens=True)[0])

这段只能测空间问答和指点，不能出机器人动作。连续动作在未放出的WLA-Base和MMDiT专家上。

仓库目前能直接读的是动作空间文档。默认配置如下，来源docs/robot_action_state_processing_en.md。

target_fps: 30
chunk_size: 30
norm_type: minmax_q
rel_norm_type: zscore
state_norm_type: minmax_q
gripper_norm_type: minmax_q

想看仓库现状，官方README给的入口就是克隆。里面现在只有许可证、中英文README、封面图和动作空间文档。

git clone https://github.com/unitreerobotics/unifolm-wla.git

七、总结与思考

三代名字换来换去，收束方向其实清楚。先有一个能预演未来交互的世界模型，再有一个能听指令动手的VLA，这一代把未来变化收成离散token塞进VLM，连续动作另外交给流匹配专家。

动态区域这个压缩我觉得比生成整段未来视频更适合操作。手臂和物体动了才是策略要盯的，背景重建是视频模型的负担。

短板也硬。64项任务只有演示视频，没有成功率，也没有和前代VLA-0那12类任务的对照。封面写全开源，仓库里WLA-Base、后训练代码、两份数据集都没勾。截至9月16日GitHub 122个星，前代WMA-0是1151，VLA-0是621，和开放程度匹配。

和GE-Act 2.0放在一起看更明显。智元愿意报分布外成功率和单卡延迟，宇树愿意报任务覆盖面和夹爪灵巧手兼容。读者现在没法判断这张6B权重到底稳不稳。

---

参考链接

• UnifoLM-WLA-1.0项目页 unigen-x.github.io/unifolm-wla.github.io，2026年9月
• 代码与开源计划 unitreerobotics/unifolm-wla
• 具身推理权重 unitreerobotics/UnifoLM-ER-1
• 动态区域与离散动作主干 unitreerobotics/UnifoLM-ER-Flow
• 前代 UnifoLM-WMA-0，2025年9月；UnifoLM-VLA-0，2026年1月
• 对照方案GE-Act 2.0 arXiv 2609.05588，2026年9月