从VPP到VPP2：你的WAM可能并没有想象中泛化

今天最好的视频生成模型，是在整个互联网的视频上训练出来的。它们见过厨房、工地、球场、手术台，见过人手、机械臂、猫和卡车。这些模型身上带着一种非常宝贵的东西：泛化能力。

接上动作之后，我们同样希望机器人在面对没见过的任务时，泛化能力会有显著提高。

但VPP系列的作者彦江在和我们交流的时候提到了一个反直觉的现象：WAM其实并没有达到理想的在陌生场景和陌生任务上的泛化效果。（值得一提的是，Video prediction policy是24年底的作品，早于WAM这波热潮。但到了2026年，WAM其实并没有被优化到理想的效果。）

去翻一翻此前 WAM 论文的项目主页。你会发现一个奇怪的规律：它们展示的视频预测，几乎清一色落在自己后训练过的机械臂场景里。桌上摆着几样熟悉的东西，机械臂以熟悉的姿态伸过去。少数几个展示人手的例子，人手也只是在画面里做点轻微的抖动。

VPP2 在文章中做了个对比实验：在标准 LIBERO 上，一些主流的WAM模型成功率非常高，但换成考验泛化能力的 LIBERO-OOD评分会骤降。这组落差说明，熟悉任务上的高成功率，并不能证明视频先验已经被带进陌生任务。