三轮部署、成功率相对涨 83%、过程分从 36.10 到 56.80：LoopWAM 把「失败的轨迹」变成了下一轮的原料
清华、原力灵机、极寰时代联合做的 LoopWAM 登上了真机榜 Table30 V2 的双榜首。但真正值得看的是它怎么涨的：不额外采专家数据、不上强化学习，把成功、次优、失败的 rollout 全部塞进视频预测训练。失败第一次在训练里有了位置。
- 成绩：清华大学、原力灵机、极寰时代联合研发的世界动作模型 LoopWAM，登顶真机评测榜单 RoboChallenge Table30 V2，成功率与过程分双双第一，成绩超过 VLA-DM0.5 等同期方案；仿真侧 RoboTwin 2.0 与 RoboCasa365 同为 SOTA。
- 涨了多少：从仅用专家演示训练的初始模型出发，经 三轮部署与训练，整体成功率提升约 19.7 个百分点，相对提升约 83%；过程分从 36.10 提到 56.80。
- 怎么涨的：闭环更新不需要额外采集专家演示，也不引入强化学习；把成功、次优和失败的 rollout 轨迹全部纳入视频预测训练，再用质量引导（quality steering）与加权动作监督提升动作生成。
- 用什么算力：所有榜单评测用的模型均由国产卡阿里云 PPU-810E 训练，非英伟达系列卡。
- 开源了什么：论文 arXiv 2610.18873、代码 github.com/loop-wam/LoopWAM、项目页 loop-wam.github.io 三件都已放出。
- 判断：这篇的真正贡献不是榜单第一，是把「部署即数据采集」从一句口号变成了一个不需要 RL、不需要人工标注的闭环配方。它把一个长期被绕开的问题摆上了台面——失败样本在训练里到底该占多少权重。
LoopWAM 定位是世界动作模型（World Action Model），走的是今年 2 月由英伟达团队提出、此后迅速成为主流路线之一的那条路：用视频预测来统一「想象结果」和「生成动作」。这次的成绩分两处。
真机侧，RoboChallenge Table30 V2 上成功率与过程分双双第一，超过 VLA-DM0.5 等同期方案；仿真侧，RoboTwin 2.0 与 RoboCasa365 两个榜单同为 SOTA。三榜一起报，是这类工作的标准做法——仿真证明方法本身有效，真机证明它没被 sim-to-real 的差距吃掉。
另一处不那么显眼但可能更重要：所有榜单评测所用的模型，都是在这张成绩单之外的一行字里 ——由国产卡阿里云 PPU-810E 训练，非英伟达系列。这一行放在论文里只是一个实验条件，放在产业里是一个供应链信号。
关键在于他们把「学习范围」的定义改了一下。过去的自进化路线大体两类：一类是在部署中继续模仿成功轨迹，另一类是用强化学习去试错。LoopWAM 走的是第三条——把成功、次优、失败三种 rollout 一起放进视频预测训练，让模型先学会「这么做会变成什么样」，再用质量引导去挑动作。
这个设计有个很实际的好处：部署里最常见的不是成功也不是彻底失败，而是「做了一半」「差一点」「绕了远路」的次优轨迹。这类数据在纯模仿学习里没有标签、在 RL 里没有奖励，通常是直接丢掉的。现在它们成了主力原料。
报道提到，LoopWAM 这条「让真实部署经验成为下一轮起点」的思路，与 Physical Intelligence 近日发布的 PI API workflow 不谋而合。PI 的循环是：数据上传—模型微调—机器人部署—评估与数据收集。LoopWAM 走的是同一个圈，但落脚点不同。
| 维度 | PI API workflow | LoopWAM |
|---|---|---|
| 形态 | 产品化工作流，客户按流程跑 | 算法配方，开源可复现 |
| 数据来源 | 客户上传的数据 | 部署产生的全部 rollout |
| 是否要额外专家演示 | 微调阶段需要 | 闭环更新不需要 |
| 是否用强化学习 | 未以此为主路径 | 明确不用 |
| 对失败样本的处理 | 报道未展开 | 全部纳入视频预测训练 |
| 可复用性 | 绑定平台 | 论文 + 代码 + 项目页全开放 |
这个差别值得分辨。PI 卖的是「让客户自己转数据飞轮」的流程，LoopWAM 给的是「数据飞轮里每一圈该做什么」的方法。前者的壁垒在集成与交付，后者的壁垒在别人复现不出来。
判断：对做二次开发与交付的团队，后者的现实意义更大。因为工作流可以买，方法得自己长。当一套开源配方能让你把现场跑出来的废数据变成下一版模型，交付就不再是「一次性的项目」，而是「越做越省的项目」。这才是 RaaS 真正能算出毛利的前提——不是机器不坏，是每次坏都让下一台更少坏。
成功率从基准升到 +19.7 个百分点，说的是「做成了没有」；过程分从 36.10 到 56.80，说的是「做得像不像样」。两个数字放在一起读，信息量完全不同：即使经过三轮自进化，过程分也只有 56.80，距离满分还差四十多分。
这个差距在实际作业里意味着什么？意味着任务能完成，但可能慢、可能绕路、可能中间有几次无效动作、可能把一个本来 30 秒的活干成 90 秒。在实验室里这叫「过程分不高」，在产线上这叫「节拍不达标」，在商演现场这叫「观众看得出来它在犹豫」。
判断：这条路线接下来最可能的分叉点，不是成功率还能不能往上冲，而是过程分能不能跟上。因为客户验收时看的是节拍和观感，不是 100 次里成了几次。一个成功率 95%、平均用时 3 分钟的方案，在多数真实场景里打不过成功率 85%、平均 40 秒的方案。LoopWAM 现在把前一个数字做上去了，后一个数字才刚过一半，这是它和「能上岗」之间剩下的那段距离。
报道特意点出所有榜单评测模型均由阿里云 PPU-810E 训练，非英伟达系列卡。这句话在技术上说明的是：这套方法对卡型没有强绑定，训练侧没有依赖某个特定生态的算子。
它没有说明的是效率——同样的训练量，在 PPU 上花了多久、用了多少张、总成本是多少，报道全部没有给。而这恰恰是国内团队最关心的三个数。
判断：把这一行当作品质背书是误读，把它当作「可行性证据」才准确。它证明的是这条路在国内算力条件下走得通，不是走得划算。对中小团队而言，真正要抄的不是「用国产卡」，而是「训练配方能被迁移」这件事本身——因为配方可迁移，才意味着你没有把自己锁死在某一家云厂商的报价单上。
最后留一个边界：三个榜单的评测都发生在公开基准上，而公开基准的任务分布、物体集、场景复杂度，与真实产线、商场、剧场之间仍有距离。LoopWAM 的 19.7 个百分点，是在这批任务上量出来的。它能不能在一条真实的汽车零部件产线上重演，还需要一次不剪片、不挑任务的公开实测。