باختصار
نموذج العالم والحركة (World Action Model، واختصاره WAM) هو نموذج للتحكّم في الروبوتات بيقرأ الكاميرات وحالة الروبوت وتعليمة نصية، وبيتنبّأ مع بعض بإطارات الفيديو الجاية وبالدفعة الجاية من حركات الروبوت.
بالتفصيل
الفكرة بتجمع مفهومين: «نموذج العالم» (World Model) اللي بيتوقّع إزاي البيئة هتتغيّر، و«السياسة» (Policy) اللي بتقرّر الروبوت يعمل إيه. نموذج WAM بيعمل الاتنين في نفس الوقت: لما يتوقّع الحركة، بيتوقّع كمان شكل المشهد بعدها.
حسب MarkTechPost، في نماذج الروبوتات المفتوحة فيه مقايضة معروفة: نماذج WAM أدق غالبًا، لكن توقّع الفيديو مكلف ويبطّئها. أما نماذج «الرؤية واللغة والحركة» (VLA) فبتطلّع الحركات مباشرة من غير ما تتوقّع الفيديو، فهي أسرع لكن أقل نجاحًا في الاختبارات. وقاست Black Forest Labs إن Cosmos 3 Nano (نموذج WAM من NVIDIA) بياخد نحو 4.7 أضعاف وقت المعالجة اللي بياخده π0.5 (نموذج VLA) لكل ثانية من حركة الروبوت.
نموذج FLUX 3 Action من Black Forest Labs مثال حديث: 7 مليارات معامل، متدرّب أساسًا على فيديو، وبيحاول يقلّل البطء بعمود فقري أصغر وتقطير. وتقول الشركة إن الأسلوب ممكن يفيد كمان في البيئات الرقمية، زي الألعاب ووكلاء التحكّم في الحاسوب.
مثال عملي
ذراع روبوت مطلوب منه «حطّ المكعّب الأحمر فوق الأزرق». نموذج WAM بيشوف المشهد، ويطلّع 32 حركة للثانيتين الجايين، ومعاها توقّع لشكل المشهد بعدها: الذراع قرب المكعّب، ثم ماسكه، ثم فوق المكعّب الأزرق. لو التوقّع اختلف كتير عن اللي حصل فعلًا، ده مؤشّر إن فيه حاجة غلط.
مصطلحات مرتبطة
- World Model — نموذج العالم.
- Vision-Language-Action (VLA) — نموذج الرؤية واللغة والحركة.
- Distillation — التقطير.
المصادر: MarkTechPost، The Decoder — 2026-09-24
