EasyWAM-Unified-Cosmos25快速上手指南:5步从下载检查点到跑通首个LIBERO评测
EasyWAM-Unified-Cosmos25快速上手指南:5步从下载检查点到跑通首个LIBERO评测
📦 EasyWAM-Unified-Cosmos25 是一个基于 Cosmos-Predict2.5-2B 底座构建的世界动作模型(World Action Model)开源检查点仓库。它用单个 Video DiT 同时表示并去噪视频与动作两类 token,让两种模态通过同一组 self-attention 层实现双向耦合,在 LIBERO 机器人操作基准上取得 96.8% 平均成功率。本文带你通过 5 个步骤,从下载 EasyWAM-Unified-Cosmos25 检查点开始,一路跑通首个 LIBERO 评测并读懂结果。
开始之前:了解你要评测的模型
在动手之前,先花 30 秒了解 EasyWAM-Unified-Cosmos25 的定位:
| 项目 | 说明 |
|---|---|
| 底座模型 | NVIDIA Cosmos-Predict2.5-2B |
| 架构特点 | 统一 Video DiT,视频 token 与 action token 双向耦合 |
| 训练框架 | EasyWAM 代码库 |
| 评测基准 | LIBERO(Spatial / Object / Goal / LIBERO-10 四大套件) |
| 状态 token 位置 | sequence |
| 检查点格式 | EasyWAM PyTorch checkpoint(.pt) |
🏆 在 EasyWAM LIBERO 评测协议下,本仓库释放的 EasyWAM-Unified 全参数检查点成绩如下(数值为任务成功率 %,越高越好):
| 套件 | Spatial | Object | Goal | LIBERO-10 | Avg. |
|---|---|---|---|---|---|
| 🔥 EasyWAM-Unified | 97.8 | 99.4 | 97.0 | 93.0 | 96.8 |
完整对比表格(含 EasyWAM-MoT 系列与 LIBERO-Plus 结果)可查阅仓库内的 README.md。
第 0 步:一键式环境准备(评测前置条件)
跑评测前需要准备好三样东西,均跟随 EasyWAM 官方指南操作即可:
- 安装 EasyWAM 评测代码库,并确认已配置好 Python 环境;
- 准备 Cosmos-Predict2.5-2B 底座依赖:EasyWAM 文档中有专门的 backbone 配置说明,按 Cosmos-Predict2.5-2B 一节操作;
- 搭建 LIBERO 仿真器:按 EasyWAM 的 LIBERO 评测指南完成仿真环境安装,保证机器人任务可以正常加载、渲染与交互。
✅ 自检小贴士:如果仿真器安装正常,你应该能成功打开一个 LIBERO 任务场景,并看到机械臂初始姿态。
第 1 步:下载 EasyWAM-Unified-Cosmos25 检查点
使用 hf 命令下载本仓库的 LIBERO 全参数检查点,共 2 个文件:
hf download OpenMOSS-Team/EasyWAM-Unified-Cosmos25 \
libero_unified_cosmos25.pt \
libero_dataset_stats.json \
--local-dir ./checkpoints
参数说明:
libero_unified_cosmos25.pt:全参数模型权重,对应本仓库的 libero_unified_cosmos25.pt;libero_dataset_stats.json:LIBERO 数据集归一化统计量,对应 libero_dataset_stats.json,内含state与action两类数据的 min/max、均值与标准差等统计值,用于推理时数据归一化;--local-dir ./checkpoints:本地保存目录,可自行修改。
第 2 步:检查点完整性验证
下载完成后,确认 ./checkpoints 目录下同时存在这两个文件,避免评测中途因文件缺失而报错:
ls ./checkpoints
# 期望输出:
# libero_unified_cosmos25.pt
# libero_dataset_stats.json
📌 常见问题:若评测时报归一化相关错误,大概率是 libero_dataset_stats.json 未下载,或下一步中 dataset_stats_path 路径写错——这两个文件必须同时提供。
第 3 步:跑通首个 LIBERO 评测
在 EasyWAM 代码库根目录下执行以下命令,即可启动第一个完整评测:
python experiments/libero/run_libero_manager.py \
task=libero_easywam_unified_cosmos25 \
ckpt=./checkpoints/libero_unified_cosmos25.pt \
EVALUATION.dataset_stats_path=./checkpoints/libero_dataset_stats.json
关键参数解读:
| 参数 | 作用 |
|---|---|
task=libero_easywam_unified_cosmos25 |
指定使用 EasyWAM-Unified(Cosmos2.5 底座)的评测任务配置 |
ckpt |
检查点文件路径,指向第 1 步下载的 .pt 权重 |
EVALUATION.dataset_stats_path |
归一化统计文件路径,指向 libero_dataset_stats.json |
💡 默认评测协议会对 4 个 LIBERO 套件(Spatial、Object、Goal、LIBERO-10)逐一运行,每个任务执行 50 次试验,因此全量评测耗时较长,建议挂后台任务并监控 GPU 占用。
第 4 步:读懂评测结果与多 GPU 加速
评测结束后,关注**任务成功率(Task success rate)**这一核心指标:
- 各套件数值越高越好,
Avg.为四套件平均; - 可与第 0 步表格中的官方成绩对齐(Spatial ≈ 97.8、Object ≈ 99.4、Goal ≈ 97.0、LIBERO-10 ≈ 93.0、Avg ≈ 96.8),偏差过大时可回查检查点与统计文件是否匹配;
- 结果均在
state_position: sequence协议下取得,换用其他状态 token 位置时成绩不可直接对比。
🚀 拥有多张 GPU 时,追加一个参数即可把评测分片到多卡并行,显著缩短总耗时:
python experiments/libero/run_libero_manager.py \
task=libero_easywam_unified_cosmos25 \
ckpt=./checkpoints/libero_unified_cosmos25.pt \
EVALUATION.dataset_stats_path=./checkpoints/libero_dataset_stats.json \
MULTIRUN.num_gpus=4
其中 MULTIRUN.num_gpus=<gpu-count> 按实际可用 GPU 数量填写。
常见问题速查(FAQ)
| 问题 | 可能原因 | 解决方法 |
|---|---|---|
| 评测启动即报路径错误 | ckpt / dataset_stats_path 路径拼写错误或文件未下载 |
用 ls 确认 ./checkpoints 下两个文件齐全,检查相对路径 |
| 归一化/数据相关报错 | 缺少 libero_dataset_stats.json |
重新执行第 1 步的下载命令 |
| 仿真器崩溃、场景无法加载 | LIBERO 环境未装好 | 按 EasyWAM 的 LIBERO 评测指南重装仿真依赖 |
| 单卡跑完全量太久 | 默认 50 trials/任务 × 4 套件 | 追加 MULTIRUN.num_gpus 多卡分片 |
许可证与引用说明
- EasyWAM 代码遵循 MIT License;
- 本仓库检查点采用 CC BY-NC 4.0(非商用),并需同时遵守其底座模型与训练数据的使用条款;
- 若在研究中使用,请按 README.md 中的 BibTeX 引用 EasyWAM 论文。
🎯 至此,你已经完成了 EasyWAM-Unified-Cosmos25 从检查点下载 → 完整性验证 → LIBERO 首次评测 → 结果解读 → 多卡加速的完整闭环,可以直接替换 ckpt 与 task 参数来评测其他检查点或复现更多基准结果。