PointWAM：面向灵巧机器人操作的 3D 世界动作建模

PointWAM 将世界拆解为场景与手部，在统一时空坐标系中以 3D 点轨迹联合预测二者演化，再把预测的手部运动重定向为机器人动作。在人类视频上预训练使 DexJoCo 平均成功率提升 56.9 个百分点，场景轨迹监督在仅预测手部的基础上再增 10.9 个百分点。两者结合后，PointWAM 在十项 DexJoCo 任务上超越此前 SOTA 11.7 个百分点，并在真实机器人上优于强 VLA。