LoopWAM из Цинхуа возглавил RoboChallenge Table30 и вышел в открытый код

Мировая модель действий LoopWAM заняла первое место в рейтинге RoboChallenge Table30. Её разработали Университет Цинхуа, компания 原力灵机 (Dexmal) и 极寰时代. Вместе с результатом авторы опубликовали страницу проекта, статью на arXiv (2610.18873) и репозиторий на GitHub. Исходное сообщение Jiqizhixin цитирует только фрагмент анонса, поэтому точных баллов и разрыва с конкурентами в нём нет. Ниже разобрано то, что известно, и то, что стоит проверить по первоисточникам.

Что известно о релизе

RoboChallenge ввели как открытую платформу для сравнения робототехнических моделей на реальных манипуляторах. Table30 — набор из 30 настольных задач. Это не симуляция: оценка идёт на физических роботах, поэтому первое место здесь весит больше, чем строчка в рейтинге по виртуальным средам.

Ключевые факты из анонса:

• модель: LoopWAM, класс World Action Model (мировая модель действий);
• разработчики: Университет Цинхуа, 原力灵机, 极寰时代;
• результат: первое место на RoboChallenge Table30;
• лицензия и доступность: код открыт, есть статья и страница проекта;
• заявленная идеология: близость к концепции самоэволюции при развёртывании, которую развивает pi.

Зачем роботам мировая модель

Привычные VLA-модели (vision-language-action) переводят картинку и текстовую команду сразу в действия. Мировые модели действий добавляют промежуточный слой: они учатся предсказывать, как изменится сцена после движения. Робот не просто реагирует на кадр, он держит внутри картину последствий.

Для настольной манипуляции это важно. Налить, сложить, переставить хрупкий предмет — всё это задачи, где цена ошибки накапливается по шагам. Если модель способна прогнозировать будущие состояния, она реже уходит в неисправимую позицию. Их нужно читать в статье.

Связь с идеей pi

Сравнение с pi не случайно. Physical Intelligence делает ставку на то, что робот должен продолжать учиться после запуска: накапливать опыт, получать оценки результата и обновлять политику. Развёртывание перестаёт быть финальной точкой и превращается в источник данных.

Для китайской команды такая параллель удобна и по смыслу, и по маркетингу. Однако «не противоречит идее» и «реализует тот же механизм» — разные утверждения. Остаётся выяснить, учится ли LoopWAM на собственном опыте в реальном времени или принцип лишь заложен в тренировочный цикл. Ответ даст статья и код.

Что проверить практически

Тем, кто работает с робототехникой, имеет смысл пройти по короткому списку:

1. Открыть страницу проекта и найти таблицу результатов по каждой из 30 задач. Общий первый балл может скрывать провалы на отдельных сценариях. 2. Сравнить условия оценки: одинаковое ли железо, число попыток, были ли дообучения под конкретные задачи. 3. Проверить в репозитории наличие весов, а не только кода. Для воспроизведения результата это принципиально. 4. Посмотреть требования к вычислениям на инференсе. Мировые модели тяжелее прямых политик, а частота управления для манипулятора критична. 5. Выяснить, как устроен механизм самообучения после развёртывания, если он есть: какие сигналы награды, кто размечает успех.

Открытый код делает LoopWAM удобной точкой отсчёта для лабораторий, которые строят собственные мировые модели. Если веса и протокол оценки окажутся полными, проект сможет стать референсом для следующих работ на RoboChallenge. Если нет, это будет ещё один сильный результат, который трудно проверить. Пока судить рано: нужны цифры из статьи.