清华、原力灵机开源 LoopWAM：给部署轨迹只标成败，RoboTwin 成功率从 72.3% 升到 92.8%

给混着成功、次优和失败的部署轨迹打上粗糙的质量标签，作者报告 LoopWAM 在 RoboTwin 2.0 的 50 个双臂任务上平均成功率是 92.8%；给成功轨迹补上质量加权的动作监督，升到 93.6%；完全不做质量引导，只有 72.3%。这三组数都出自 10 月 13 日发布、15 日更新到 v2 的预印本。

这篇预印本能带走的结论是：混着成功、次优和失败的轨迹可以留着，但只有打上质量标签才起作用；标注也不必很细，粗到成败这一档就够了。真机榜 Table30-V2 上那顶第一则薄得多：成功率比原力灵机（Dexmal）自己的 DM0.5 高 2.67 个百分点，按原力灵机官网公布的 43.0% 算，只剩 0.33 个百分点。

粗标签就够，失败轨迹只监督视频

LoopWAM 是清华大学、原力灵机和 Loopeva 合作的闭环世界-动作模型，论文称它是一个通用策略（generalist policy）。要解决的问题是，怎么用部署轨迹把成功率推高。做法是给每条轨迹配一个质量分数，附在指令文本后面（“Quality: q”）；部署时模型以专家档位的分数为条件，作者称为质量引导（quality steering）。

训练时，视频预测对所有轨迹做监督，包括失败的那批；动作模仿学习按质量加权，专家轨迹拿满动作监督，失败轨迹的动作监督为零，但仍然训练视频这一路的世界模型。视频和动作 token 在同一个去噪过程里一起还原，预测出的后果直接参与动作生成。

消融实验给出最干净的一组对比。去掉质量引导，平均成功率停在 72.3%；换成“超粗”标签（失败记低、成功记中、专家记高），不做 rollout 动作监督是 92.8%，给成功轨迹补上质量加权的动作监督是 93.6%；换成“粗”标签（每个策略检查点一个分数，失败的取最低），不做 rollout 动作监督 92.7%，全量方法 94.5%。作者据此认为精细标注并非必需，质量引导才是其中的“关键”；粗标签每个检查点只需一次人工标注。

按这组数字算一笔：72.3% 到 94.5% 是 22.2 个百分点，而给成功轨迹补上质量加权的动作监督，只值 0.8 到 1.8 个百分点。拉开差距的是质量标签本身：所有对比组用的都是同一批混合轨迹，区别只在标不标、标得多细。

论文称，π0.6 用优势条件学习吸收自主经验和干预，π0.7 用质量、速度、错误三类元数据吸收混合质量的数据；作者认为这类 VLA 模型没有为学习动作与视频之间的物理动态设目标，失败轨迹只给了行为目标，没有直接监督它去学自己造成的后果。10 月 13 日，Physical Intelligence 开放 API 公测，并把它见过的循环概括成采集示范、训练、上真机测试，再用失败的结果决定下一批采什么数据。

据论文，LoopWAM 也能从别的部署策略的轨迹里学：RoboTwin 2.0 上的 2.25 万条轨迹来自它自己、X-VLA 和 π0.5 三个策略，RoboCasa365 上则来自它自己和 RLDX-1。

三轮部署把成功率从 23.67% 推到 43.33%

真机测试放在 RoboChallenge 的 Table30-V2：30 个桌面操作任务，四种机器人本体 ALOHA、DOS-W1、ARX5 和 UR5，技术报告署名“RoboChallenge Dexmal Team”，也就是原力灵机。做法是每个本体训练一个专家多任务 LoopWAM，再跑三轮；每一轮里每个任务采集约 100 条部署轨迹、标注质量，再和专家示范、此前所有轨迹合在一起重新训练。

三轮总体成功率从 23.67% 走到 43.33%（第一档是还没部署的专家模型），共涨 19.7 个百分点；总体分数从 36.10 走到 56.80。分到每轮，成功率涨幅是 4.33、9.67 和 5.66 个百分点，最大一次跳在第二轮。按每任务约 100 条、30 个任务估算，每轮约 3000 条轨迹，三轮约 9000 条，成功和失败的都进了训练。

最终 LoopWAM 在成功率和分数上都是第一，第二是 VLA-DM0.5，成功率 40.67%、分数 54.42，落后 2.67 个百分点和 2.38 分（榜单访问于 9 月 22 日）。专家模型阶段的 23.67% 落后 40.67% 整整 17 个百分点。分本体看，ALOHA 上 26.00% 对 18.00%，DOS-W1 上 42.00% 对 42.00% 打平，ARX5 上 55.71% 落后于 58.57%，UR5 上 76.67% 对 70.00%。

这个头名要看口径。原力灵机的 DM0.5 产品页自己写 Table30 v2 成功率 43.0%、分数 54.42、RoboTwin 2.0 平均 93.5；论文表格里给 DM0.5 的却是 40.67%。两边分数一致，差的只是成功率：拿 LoopWAM 的 43.33% 比官网的 43.0%，领先就是 0.33 个百分点。原力灵机 2025 年 3 月成立、总部在北京，是 RoboChallenge 的共同发起方，DOS-W1 是它开源的机器人硬件；DM0.5 是 Gemma3 4B 骨干加 680M 动作专家的 VLA。

仿真榜第一，留出任务上却落在 PRTS 后面

仿真这边，LoopWAM 在 RoboTwin 2.0 的 50 个双臂任务上平均 94.5%，没有做额外的具身预训练；论文表格里第二好的 LingBot-VA 2.0 是 93.6%（做了具身预训练），AHA-WAM 92.8%，π0.5 79.8%。换到 50 个任务的厨房场景 RoboCasa365，LoopWAM 总体 49.5%，对手 ABot-M0.6 是 46.6%；但同一张表里 16 个“组合未见”的留出任务上，它零样本只有 14.9%，低于 PRTS 的 18.8%。

单任务后训练也做了一组。据论文，在 DOS-W1 上折衬衫这类可变形物体的多步任务，两轮部署把成功率从 13.20% 推到 32.54%、再推到 55.56%，分数从 14.44 走到 67.78。

折一件衬衫这条曲线比整体榜单陡得多：Table30-V2 四个本体的多任务模型跑满三轮，成功率涨 19.7 个百分点；DOS-W1 上折衬衫这一个任务，两轮就从 13.20% 涨到 55.56%，涨 42.36 个百分点。