EasyWAM-MoT-Wan22-LoRA-128

EasyWAM-MoT 采用相互独立的 Video DiT 与 Action DiT 专家，二者的 token 经由混合自注意力实现交互。该检查点在 LIBERO 上使用秩 128 的 LoRA（r=128、alpha=128）训练，并以 Wan2.2-TI2V-5B 作为视频骨干网络。

相应检查点基于 EasyWAM 代码库训练获得。

结果

在 EasyWAM LIBERO 评估协议下的成功率（%）：

模型	空间	物体	目标	长程	平均
全参数
EasyWAM-Unified	99.0	99.4	99.2	98.2	99.0
EasyWAM-MoT	97.8	98.4	97.6	95.6	97.4
EasyWAM-Hidden	99.4	100.0	97.0	97.8	98.6
LoRA（秩 128）
EasyWAM-Unified	84.0	97.8	92.0	81.2	88.8
🔥 EasyWAM-MoT	96.8	98.8	94.4	90.4	95.1
EasyWAM-Hidden	96.8	99.4	92.6	86.8	93.9

在 LIBERO-Plus 评估协议下的成功率（%）：

模型	背景	相机	语言	布局	光照	噪声	机器人	平均
EasyWAM-Unified	55.8	33.7	93.7	80.6	92.2	50.2	71.4	67.5
EasyWAM-MoT	52.8	20.6	80.4	65.2	85.1	51.5	49.7	56.8
EasyWAM-Hidden	56.8	49.2	95.3	81.0	90.4	58.2	77.4	72.4

下载

hf download OpenMOSS-Team/EasyWAM-MoT-Wan22-LoRA-128 \
  easywam_mot_wan22_lora_128.pt \
  --local-dir ./checkpoints

评估

按照 EasyWAM LIBERO 指南中的说明，准备 Wan2.2、LIBERO 以及对应的 dataset_stats.json，然后运行：

python experiments/libero/run_libero_manager.py \
  task=libero_easywam_mot_wan22_lora \
  ckpt=./checkpoints/easywam_mot_wan22_lora_128.pt \
  EVALUATION.dataset_stats_path=<path-to-matching-dataset_stats.json>

EasyWAM 会根据任务配置创建对应的 LoRA 模块，并在加载该检查点时将其合并用于评估。

检查点详情

架构：EasyWAM-MoT
主干：Wan2.2-TI2V-5B
训练：LoRA，rank 128，alpha 128
数据集：LIBERO，双相机，224 px
训练步数：20,000
动作维度：7
状态维度：8
格式：EasyWAM PyTorch checkpoint（.pt）

许可证与引用

EasyWAM 代码以 MIT License 发布。使用此检查点还需遵守其基础模型和训练数据的相关条款。如果 EasyWAM 对您的研究有帮助，请引用：

@misc{easywam2026,
  title  = {EasyWAM: A Unified and Efficient Framework for Training and Evaluating World Action Models},
  author = {EasyWAM-Team},
  year   = {2026},
  url    = {https://github.com/OpenMOSS/EasyWAM}
}