专题 · Zero-WAM(2608.26103) 全文精读：ICL 人类视频任务规格

论文：✔ arXiv 2608.26103 · Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization（Robbyant + HKUST(GZ)/HKUST）
站点：https://robbyant-research.github.io/Zero-WAM/
这是真正名为 "Zero-WAM" 的论文 —— 不要把本项目里的 DreamZero(2602.15922) 当成它。
飞书：主文档下子文档

0 · 一句话

Zero-WAM = 把 LLM 的 in-context learning（ICL）范式整套搬到具身：用「人类视频」当任务规格(in-context prompt)，让策略零样本地执行从未训练过的操作任务——无需任何参数更新、无需该任务的机器人数据。

与 DreamZero 的本质区别： - DreamZero 的"zero-shot"靠世界先验 + 条件化，跨本体仍要 post-training（梯度）。 - Zero-WAM 才是真 ICL：跨任务泛化靠部署时给一段人类视频，训练时不需见过该任务，完全不更新参数。

1 · 问题：零样本跨任务泛化

具身核心挑战：策略要执行训练中没见过的任务，只用部署时可获得的信息。
ICL 视角：LLM 里新任务只要在上下文里指明即可、不更新权重 → 泛化变成"任务规格化(task specification)"问题。
关键主张：对操作来说，自然的任务规格不是语言，而是人类视频 —— 它提供丰富的视觉线索，表达任务如何一步步演化。

2 · 方法

2.1 架构：因果视频-动作模型

输入：当前/历史观测 + in-context 人类视频 prompt（或语言指令）
输出：预测未来机器人视频 + 可执行动作
视频模型（Wan-2.2 初始化）+ 动作模型联合。

2.2 HumanGen：自动构造人类-机器人 ICL 数据集（核心贡献）

难题：任务丰富的配对 human-robot 数据极稀缺。解法：一个自动流水线，把"按任务采样的机器人轨迹"转成"语义匹配的人类视频"，产出 HumanGen：74.2K human-robot ICL 对 / 8.6K 任务。

2.3 IFP 目标（in-context future chunk prediction）

标准 next-chunk 预测常只靠局部机器人历史就能解（尤其见过的任务）→ 学到"捷径"。
IFP：从当前机器人视频表征监督多个 strided 的未来块，逼策略从人类视频 prompt 提取任务演化信息，抑制捷径。

2.4 训练数据

Task-diverse VA（video-action）预训练语料 + HumanGen ICL 对。

3 · 结果

RoboTwin 2.0 仿真：7 个未见任务平均 46.95%，比最强 video-action 基线（LingBot-VA）+29.5 绝对点。
消融（Figure 5）：逐个任务成功率，Zero-WAM 全面显著高于 WAN-Action / Lingot-VA / w/o pretrain。
真实世界（人类视频引导）：
三物体顺序操作：33.3% vs 基线 10.0%
双桌腿细插入：Zero-WAM 成功（基线 0）—— 人类视频比语言更可靠地传达细粒度任务规格

4 · ★ "ICL 这件事说明了什么" —— 本论文的完整论证

这是对上一轮"ICL 之辨"的升级回答（之前用 DreamZero 误答，现在用真正的 Zero-WAM）：

4.1 Zero-WAM 证明了 ICL 在具身的可行性路径

ICL 不是 LLM 专属：把"任务 = 上下文"的抽象搬到操作，用人类视频作天然任务接口，可行。
ICL 的低数据红利：只需部署时一段人类视频，无需该任务机器人数据/参数更新 → 这正是数据稀缺具身最需要的。

4.2 但 ICL 在具身的数据要求是"配对"而非"海量原生"

关键：HumanGen 是 74.2K 对(paired) 的 human-robot 数据 —— ICL 的燃料是"人类视频 ↔ 机器人轨迹"的语义配对，不是随便多少人类视频。
→ 你的「配对金标准(E)」数据哲学在此得到正面印证：ICL 式具身泛化的前提是"跨本体语义对齐配对数据"。

4.3 ICL 在具身的特定任务 = 任务规格化

IFP 目标的设计（抑制捷径、逼从视频提取任务）说明：ICL 在具身的难题不是"会不会多任务"，而是"真从上下文拿任务信息，而非抄训练捷径" —— 与 LLM ICL 的 shortcut 问题同构。

4.4 一句话总结

Zero-WAM 证明：ICL（人类视频作 in-context 任务规格）能让具身零样本地跨任务，且不需参数更新；它把泛化变成"任务规格化"问题，把数据要求变成"人类-机器人语义配对(paired)"。这既回答了 ICL 在具身可行，也划定了它的前提——它是一枚「配对金标准数据」的强证据。

5 · 与其他文件的咬合

与 DreamZero(2602.15922)：同是 WAM，但立场相反——DreamZero 靠预训练世界先验+条件化（跨本体要梯度），Zero-WAM 是真 ICL（跨任务靠 in-context 视频，0 参数更新）。两者合起来："世界先验(预训练) × ICL(任务接口)" 是两个正交杠杆。
与 EgoVerse/人 EGO：都主张"人类视频是可扩展任务信息源"；Zero-WAM 更进一步要配对human-robot。
与数据×训练：HumanGen = "如何把稀缺配对数据用自动管线放大(74.2K)" —— 正是"数据供给"里配对金标准(E)的工程化。

6 · 局限（分析补）

聚焦桌面 tabletop 操作；移动/长时间跨任务未深入。
依赖 HumanGen 的语义匹配质量（自动管线转换可能引入不完美对齐）。
绝对成功率仍有限（尤其细插入），"video prompt → 精确动作"仍难。
未与"无需任何数据"的说法对标——仍是 74.2K 预训练 + 8.6K 任务的支撑。

7 · 口径

Zero-WAM(2608.26103) 把 LLM 的 ICL 带入具身：以"人类视频"作部署时 in-context 任务规格，策略零参数更新地执行未见任务；用自动管线把机器人轨迹转成语义匹配人类视频得到 HumanGen(74.2K 对/8.6K 任务)，并用 IFP 目标抑制捷径逼模型真从视频取任务信息；RoboTwin 7 未见任务 46.95%(+29.5pt)，真机完成细插入等未见配置。它是"ICL 具身化"与"配对金标准数据"的强证据。

8 · 关联

DreamZero(区分) · EgoVerse(人数据) · 数据×训练(配对E) · EgoWAM(世界表示) · ovideo-action 基线(WAN/LingBot)