EasyWAM-Unified-Wan22全参数与LoRA检查点全面对比：98.6%与87.0%成功率差距从何而来

EasyWAM-Unified-Wan22 是基于 Wan2.2-TI2V-5B 构建的统一「世界-动作模型（World Action Model）」检查点，用于机器人操作策略的训练与评测。本文基于 LIBERO 仿真基准的真实数据，逐项拆解全参数检查点 98.6%与LoRA 检查点 87.0%的成功率差距从何而来，并给出新手选型建议。

先搞懂：EasyWAM-Unified-Wan22 是什么？

用一句话概括：它让一个视频生成模型（Video DiT）同时干两件事——预测未来画面（视频 token）和输出机器人动作（action token）。两个模态通过同一组自注意力层双向耦合，实现"看得懂世界，也动得出手"。

关键设定一览：

💡LoRA 是什么？简单说就是不更新主干网络的全部参数，只训练少量低秩矩阵，显存开销小得多，但表达能力受限。这正是后文差距的来源。

LIBERO 成功率对比：全参数 vs LoRA 完整数据

以下数据来自 README.md 中 EasyWAM 官方 LIBERO 评测协议（4 个套件，每任务 50 次试验，数值越高越好，🔥 为本仓库架构）：

全参数（Full-Parameter）

LoRA（Rank 128）

差距拆解：11.6 个百分点究竟丢在哪？

把两个检查点的 EasyWAM-Unified 成绩逐套件相减，结果非常直观：

📊结论先说：约七成（31.8/4 ≈ 7.95 分，占平均差距的 68.5%）的差距来自 LIBERO-10 一个套件。Spatial 和 Goal 各损失 7 分左右，而 Object 套件纹丝不动。

为什么 LIBERO-10 掉得最惨？

LIBERO-10 是任务组合更复杂、步骤更长的套件，对长程时序推理和精细动作协调要求最高。LoRA 只允许低秩（rank 128）的更新，相当于给主干网络戴上了"紧箍咒"：

• Object 类任务动作结构简单、目标单一，低秩更新足以近似 → 98.8% 不掉分；
• LIBERO-10 类任务需要主干在时空注意力上做出更精细的改动，rank 128 的表达容量不够用 → 66.2% 大幅下滑。

这就是"参数高效微调在长程、组合性任务上更容易露怯"的典型例子。

一个容易被忽略的发现

注意 LoRA 表格内部对比：同是 rank 128，EasyWAM-Unified 平均87.0，反而低于 EasyWAM-MoT 的95.9和 EasyWAM-Hidden 的93.5。也就是说，在有限参数预算下，"视频+动作统一建模"的 Unified 架构损失最大。如果你的显存只够跑 LoRA，且任务偏长程，这一点值得作为选型参考。

全参数还是 LoRA：新手选型指南

下载与评测：两步上手

第一步，下载检查点：

hf download OpenMOSS-Team/EasyWAM-Unified-Wan22 \ libero_unified_wan22.pt \ libero_unified_wan22_lora_128.pt \ libero_dataset_stats.json \ --local-dir ./checkpoints

第二步，在 EasyWAM 中运行评测（两个检查点使用不同的 task 配方，切勿混用）：

# 全参数 python experiments/libero/run_libero_manager.py \ task=libero_easywam_unified_wan22 \ ckpt=./checkpoints/libero_unified_wan22.pt \ EVALUATION.dataset_stats_path=./checkpoints/libero_dataset_stats.json # LoRA python experiments/libero/run_libero_manager.py \ task=libero_easywam_unified_wan22_lora \ ckpt=./checkpoints/libero_unified_wan22_lora_128.pt \ EVALUATION.dataset_stats_path=./checkpoints/libero_dataset_stats.json

⚠️新手最容易踩的坑：LoRA 检查点不包含完整的 Wan2.2 主干权重，加载或评测前必须先下载 Wan2.2-TI2V-5B 主干并配置好路径（参见 EasyWAM 官方的 Wan2.2 backbone 指南）。此外，[libero_dataset_stats.json](https://gitcode.com/OpenMOSS/EasyWAM-Unified-Wan22/blob/794bd9bf249090e2336a0a1534eb43ac8eb69593/libero_dataset_stats.json?utm_source=gitcode_repo_files)保存了 state/action 的均值、标准差等归一化统计，推理时必须传入，否则动作尺度会错乱。

附：LIBERO-Plus 鲁棒性参考（仅全参数）

官方还报告了全参数检查点在 LIBERO-Plus 扰动基准上的表现（背景、相机、光照、噪声等 7 类扰动），Unified 平均79.0为同组最高，但最弱项是Camera（54.8）——对相机视角变化最敏感。如果你在真实部署中会更换相机位姿，建议重点压力测试这一项。

常见问题

Q1：LoRA 检查点可以直接加载吗？不可以。它只包含主干的 rank 128 低秩更新和其余可训练模块，必须搭配已下载好的 Wan2.2-TI2V-5B 主干，并使用libero_easywam_unified_wan22_lora配方加载。

Q2：66.2% 的 LIBERO-10 成绩还有实用价值吗？取决于场景。对 Object 类简单任务，LoRA 版本性价比很高；但如果你面向长程组合任务，建议直接用全参数版本，或用更大 rank 重新训练。

Q3：为什么两个检查点要分开放？全参数版本自包含、开箱即评；LoRA 版本体积极小、下载快，但依赖外部主干——这是"性能上限"与"存储/传输成本"之间的权衡。

总结

一句话记忆：差距的 7 成来自 LIBERO-10，根源是 rank 128 的低秩容量扛不住长程任务的复杂推理。预算够就上全参数，预算紧且任务简单，LoRA 依然是高性价比之选。