知识卡片：银河通用发布WAM-TTT——人类视频助机器人跨环境适配

一句话结论

银河通用发布全球首个具身智能测试时后训练框架WAM-TTT，机器人仅需观看少量第一视角人类视频即可在新环境中适配，无需机器人轨迹数据或动作标注，跨环境表现保留率从约15%提升至约76%。

事件概述或研究问题

传统具身智能模型在部署到新环境时，通常需要大量特定场景的机器人示范数据或人工标注，成本高且泛化差。银河通用提出的WAM-TTT（Weights Adaptation via Masked Test-Time Training）框架，旨在让机器人通过观察人类视频实现快速跨环境适配，解决“零样本”迁移难题。

方法/产品要点

• 测试时后训练框架：WAM-TTT在推理阶段通过自监督视频预测任务更新轻量级权重，基础模型全程冻结，避免灾难性遗忘。
• 数据来源：仅需第一视角人类视频，无需机器人轨迹数据或动作标注。实验显示100条人类视频的价值接近100条机器人示范。
• 效率与兼容性：适配过程快速，权重更新量轻量，基础模型参数保持不变。

主要结果或产业意义

• 性能提升：跨环境表现保留率从约15%大幅提升至约76%，实现了“零遗忘”的跨环境适应。
• 数据民主化：人类视频被验证为具身智能的“第二种数据”，大幅降低数据获取门槛，可能改变机器人学习的数据范式。
• 产业加速：使机器人部署到新场景（如家庭、仓储、医疗）的成本和周期显著缩短，推动具身智能从实验室走向实际应用。

为什么重要

• 首次将测试时训练（Test-Time Training）引入具身智能领域，并在真实场景中验证其有效性。
• 相比既有方法依赖机器人示范数据，WAM-TTT利用海量易获取的人类视频，为具身智能的规模化训练提供了新路径。
• 与同日发布的小米机器人基座模型（Xiaomi-Robotics-1）形成互补：小米侧重预训练Scaling，银河通用侧重测试时快速适应。

局限与不确定性

• 材料未明确WAM-TTT在复杂动态环境（如密集人流、非结构化物体）下的鲁棒性。
• 人类视频与机器人本体动作空间的对齐精度、大规模部署时的推理速度等细节待核实。
• 长期连续任务中轻量权重的稳定性及遗忘风险尚未公开讨论。

可用于图书/PPT/简报的角度

• 技术演进：从“预训练+微调”到“测试时后训练”，具身智能适应策略的范式转移。
• 数据杠杆：人类视频为何能替代机器人轨迹——自监督视频预测的潜力。
• 商业落地：面向服务机器人厂商，展示“开箱即用”的跨环境适配方案。
• 对比分析：与同期小米机器人基座模型对比，讨论预训练Scaling vs. 测试时适应两种路线。

与既有脉络的关系

无直接关联。本条为具身智能领域新框架发布，与NIST AI RMF、AlphaEvolve、AlphaEarth Foundations主题无关。

原始材料

URL: https://m.sohu.com/a/1051238276_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=8