EasyWAM-MoT-Wan22-LoRA-128评测工作流完全指南:一条命令跑通LIBERO成功率测试
EasyWAM-MoT-Wan22-LoRA-128评测工作流完全指南:一条命令跑通LIBERO成功率测试
EasyWAM-MoT-Wan22-LoRA-128 是 EasyWAM 项目发布的一个机器人世界动作模型(World Action Model)检查点,它基于 Wan2.2-TI2V-5B 视频骨干,使用 rank-128 的 LoRA 在 LIBERO 基准上训练。本文带你了解这个模型是什么、成绩有多强,以及如何用一条命令跑通 LIBERO 成功率评测,适合刚接触世界动作模型的新手。
🤔 这个模型是做什么的?
世界动作模型(World Action Model)的核心思路是:让模型既能"看懂"视频中的物理世界,又能直接输出机器人动作。EasyWAM-MoT 采用 Mixture-of-Transformers(MoT) 架构,使用两个独立的专家:
- Video DiT:负责视频建模,预测未来的视觉状态
- Action DiT:负责动作生成,输出机器人的控制指令
两类 token 通过混合自注意力(mixed self-attention)相互交互。而本项目发布的正是该架构在 LoRA 微调(rank=128, alpha=128) 下的检查点文件 easywam_mot_wan22_lora_128.pt,也就是说,你不需要从头训练,直接加载这个 .pt 文件即可在 LIBERO 上跑评测。
关键信息可以在 README.md 中查到。
📊 LIBERO 成功率成绩一览
在 EasyWAM 的 LIBERO 评测协议下,该检查点在四个任务套件上的成功率(%)表现非常亮眼:
| 模型 | Spatial | Object | Goal | Long | Avg. |
|---|---|---|---|---|---|
| EasyWAM-MoT(全参数) | 97.8 | 98.4 | 97.6 | 95.6 | 97.4 |
| 🔥 EasyWAM-MoT(LoRA Rank 128) | 96.8 | 98.8 | 94.4 | 90.4 | 95.1 |
可以看到,LoRA 版本仅用很小的参数量就保留了全参数模型约 95% 的平均成功率,这也是该检查点最有价值的地方。更多对比数据(包括 LIBERO-Plus 协议下的表现)见 README.md 的 Results 部分。
🚀 评测工作流:三步跑通 LIBERO 测试
整个评测流程分为三步:下载检查点 → 准备环境 → 运行评测命令。
第一步:下载检查点文件
仓库中的 easywam_mot_wan22_lora_128.pt 就是评测所需的权重文件。如果本地没有,可以用 Hugging Face 命令下载:
hf download OpenMOSS-Team/EasyWAM-MoT-Wan22-LoRA-128 \
easywam_mot_wan22_lora_128.pt \
--local-dir ./checkpoints
第二步:准备评测环境
评测代码位于 EasyWAM 代码库中,需要先准备好三样东西:
- Wan2.2-TI2V-5B 视频模型权重(作为视频骨干)
- LIBERO 评测环境(四个任务套件:Spatial / Object / Goal / Long)
dataset_stats.json:与训练时匹配的数据统计文件,用于动作归一化
具体准备方式请参照 EasyWAM 官方的 LIBERO 指南(位于 EasyWAM 代码库的 docs/libero.md)。如果代码库不在本地,可以先克隆本项目仓库获取检查点:
git clone https://gitcode.com/OpenMOSS/EasyWAM-MoT-Wan22-LoRA-128
第三步:一条命令启动评测
环境就绪后,进入 EasyWAM 代码库根目录,执行评测入口脚本:
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>
这条命令做了三件事:
| 参数 | 含义 |
|---|---|
task=libero_easywam_mot_wan22_lora |
指定任务配置,EasyWAM 会据此自动创建匹配的 LoRA 模块 |
ckpt= |
指向第一步下载的 .pt 检查点路径 |
EVALUATION.dataset_stats_path= |
指定与训练匹配的数据统计文件路径 |
一个容易忽略的细节:加载该检查点时,EasyWAM 会自动根据任务配置创建 LoRA 模块并完成合并,你无需手动处理 LoRA 的注入逻辑。命令的详细出处见 README.md 的 Evaluation 部分。
⚙️ 检查点关键参数速查
评测前可以先确认检查点规格,避免配置不匹配。完整参数见 README.md 的 Checkpoint Details 部分:
- 架构:EasyWAM-MoT(双专家混合注意力)
- 骨干模型:Wan2.2-TI2V-5B
- 训练方式:LoRA,rank 128,alpha 128
- 训练数据:LIBERO,双相机 224 px
- 训练步数:20,000 步
- 动作维度 / 状态维度:7 / 8
- 文件格式:EasyWAM PyTorch checkpoint(
.pt)
💡 常见问题与小贴士
dataset_stats.json对不上会怎样? 动作反归一化会出错,评测成功率可能异常偏低,请务必使用与训练数据匹配的版本。- 为什么用 LoRA 版本而不是全参数版? 显存和部署成本更低,且如成绩表所示,平均成功率仅比全参数低约 2.3 个百分点。
- 结果如何解读? 每个任务套件通常跑 50 个任务取成功率,四个套件分别对应空间推理、物体操作、目标跟随和长时序规划能力。
- 许可证提醒:该检查点基于 cc-by-nc-4.0 许可发布,商用前请阅读 README.md 中的 License 说明。
✅ 小结
EasyWAM-MoT-Wan22-LoRA-128 提供了一个"开箱即用"的世界动作模型评测样例:MoT 双专家架构 + Wan2.2 视频骨干 + LoRA 高效微调,在 LIBERO 上取得 95.1% 的平均成功率。按照本文的三步流程——下载检查点、准备环境、运行 run_libero_manager.py 命令——你也能快速在自己的机器上复现这份成绩,并开始探索世界动作模型的评测工作流。