EasyWAM

一套代码搞定世界动作模型的训练、微调与评测

EasyWAM 是一个面向具身智能与机器人领域的统一训练框架，专注于 World Action Model（世界动作模型）的构建。它把世界模型与视觉-语言-动作（VLA）模型的训练、微调与评测整合到同一套代码库中，解决此前研究者在不同项目间反复拼装数据管线、训练脚本和评测基准的痛点。核心能力包括：支持从预训练到 LoRA 等参数高效微调的完整流程，内置面向机器人操作的 benchmark 评测，统一数据与模型接口，方便对比不同世界模型与动作策略。项目用 Python 实现，模块化设计便于替换骨干网络和动作头，适合快速验证新想法。作为早期项目，它更像一个可扩展的实验底座，而非开箱即用的产品，适合有机器人学习背景的研究者上手二次开发。

开源 unknown 模型训练

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 295

维护状态活跃

是否开源是

定价模式 unknown

项目数据

分类模型训练

开发团队OpenMOSS

所属国家

官网地址http://openmoss.ai/EasyWAM

GitHubhttps://github.com/OpenMOSS/EasyWAM

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型benchmark,codebase,embodied-ai,foundation-models,lora,robotics,vision-language-action,world-action-model,world-models

GitHub 星标★ 295

30天Star增速

HF 下载量

上线时间2026-08-26 00:00:00

最近更新2026-09-18 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-09-16

浏览次数0

使用教程

核心亮点

把训练、微调、评测三条链路统一在一个代码库，省去跨项目拼装成本
内置机器人操作相关 benchmark，方便横向对比不同世界模型与动作策略
支持 LoRA 等参数高效微调，降低大模型在机器人任务上的实验门槛

不足之处

早期项目，文档与示例尚不完整，上手需要一定机器人学习背景
社区规模小，预训练权重和数据集生态有待补充

适用场景

研究者在机器人操作任务上快速验证新的世界模型结构
团队基于已有 VLA 模型做 LoRA 微调并统一评测
对比不同世界模型在相同 benchmark 下的动作预测表现

替代项目

OpenVLA、LeRobot

项目介绍

EasyWAM 是模型训练领域的开源项目，由 OpenMOSS 开发，是 2026 年新上线的项目。

它收录于模型训练分类，该分类目前共有 516 个项目，GitHub 星标数为 295。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-18。从国内网络环境看，访问稳定性一般，建议自备网络条件。

它主要面向的使用场景是：研究者在机器人操作任务上快速验证新的世界模型结构。同类可对比的替代方案包括 OpenVLA、LeRobot。

上一篇：alpamayo-recipes

下一篇：LLM-RLHF-Tuning-with-PPO-and-DPO