8 月 31 日，Triverse AI 联合科研团队公开具身智能新成果 Streaming-WAM。官方项目署名显示，此项工作由上海交通大学与理想汽车研究者共同完成。它与 Triverse AI 面向世界模型和具身智能的长期技术方向一致，也是公司联合科研体系在机器人实时控制方向的最新公开进展。
传统 World-Action Model（WAM）通常需要机器人等待下一段视觉与动作序列生成完成，再继续执行。Streaming-WAM 将这一同步流程改造成流式控制：机器人执行当前动作块时，模型在后台准备下一段视频与动作预测，从而减少推理造成的停顿。
让预测与正在发生的动作保持一致
单纯异步执行会带来新的时间错位：模型开始推理后，机器人仍在运动，预测的未来可能落后于真实状态。Streaming-WAM 将已经确定执行的动作前缀作为条件送入世界模型，让未来视觉预测显式感知机器人正在进行的动作，使连续动作块之间的过渡更平滑、更一致。
关键结果
- LIBERO：平均成功率 98.20%；相较 FastWAM，动作块生成时间由 493.0 ms 降至 41.0 ms，实现 12.0× 加速；长任务端到端时间由 16.31 s 缩短至 5.36 s。
- RoboTwin 2.0：总成功率由 FastWAM-Joint 的 87.00% 提升至 91.74%，动作块生成时间由 652.1 ms 降至 54.4 ms。
- 真实机器人：30 次测试中成功 27 次，成功率 90.00%；单轮任务由 90 s 缩短至 38 s，端到端加速 2.4×。
开源状态
Streaming-WAM 的训练与推理代码、加速运行时、LIBERO / RoboTwin 配置和模型权重均已开放，采用 Apache-2.0 许可证；技术报告尚待发布。