清华与 NVIDIA 提出 PrismWAM：分离语义、物理与动作的世界模型

清华大学与 NVIDIA 研究者提出 PrismWAM 世界模型，将语义规划、物理 rollout 与动作生成分离。模型以 RGB 表征描述任务上下文和目标，以深度表征建模几何变化，并通过 Chain Attention 依次传递信息。主模型约 6B；探索性 15B 版在 RoboTwin 随机化条件下成功率为 75.50%，干净与随机化条件平均为 83.67%，且未使用具身动作预训练。