Modelo de DAMO Academy (Alibaba) que une en un solo sistema un modelo visión-lenguaje-acción y un modelo de mundo: uno predice las imágenes futuras y el otro las acciones del robot.
Evoluciona WorldVLA y muestra que ambos componentes se refuerzan mutuamente; se evaluó en LIBERO y con robots reales LeRobot.
Pesos y código de entrenamiento y evaluación en Hugging Face y GitHub (Apache 2.0).
