VLA管动作WAM管预测Harness管什么——答案不在模型里目录01 同一个机器人系统里三者分别负责什么02 Harness 调用 VLA 或 WAM 时动作是怎样生成的03 如果把动作模型换了Harness 要怎样配合04 已经有 VLA 或 WAM为什么还需要 Harness05 三者有什么区别又是什么关系06 模型决定上限系统决定落地这两年具身智能领域不断出现新的模型概念。最近Harness 也开始在一些机器人研究和项目中崭露头角。在上一篇文章中我们聚焦Harness本身它是什么、在系统里做什么、与传统机器人技术的边界在哪。但 Harness 从不单独工作它组织的正是模型能力的调用。以 RoboHarness 为例它把 VLA、WAM、强化学习策略和任务与运动规划器一并封装成可调用技能——Harness 面对的从来不是某一种模型而是一组各有边界的策略。这篇文章我们打算把 VLA、WAM 和 Harness 放进同一个任务里它们各自解决什么问题优势和局限在哪里又可能怎样结合先说一个重要结论VLA、WAM 和 Harness 并不是相互替代的三代机器人“大脑”甚至不完全处在同一个层级。01 同一个机器人系统里三者分别负责什么假设机器人接到指令“从柜子里拿一个杯子放到桌上。”完成这件事需要回答几个不同的问题。问题一动作生成。看见把手后机械臂应该怎么接近、怎么拉动问题二行动后果。拉动以后柜门和周围物体会怎样变化问题三任务怎样继续推进。如果门没打开应该继续拉、重新观察还是换一种操作上一篇分享中我们针对这一示例作过详细步骤拆解这里不再过多描述。指路具身智能卷到模型层之后竞争开始往 Harness 上转移了……这三个问题正好对应三样东西。VLA对应问题一把图像、语言目标以及机器人自身状态等输入转成动作;WAM对应问题二利用未来状态预测来帮助动作学习与生成。Harness对应问题三给模型准备信息落实能力调用取得执行结果再把新信息送回下一轮决策。这里有一个关键区别VLA 和 WAM 通常指模型及其学习方式Harness 则是一套围绕模型工作的系统机制并不对应某一种神经网络。Harness 可以调用 VLA也可以调用 WAM 或传统规划器。放进同一个任务里看VLA、WAM 决定动作能力怎样形成Harness 组织这些能力的调用并把结果接入后续决策。理解三者需要同时看模型内部和任务运行这两部分。02 Harness 调用 VLA 或 WAM 时动作是怎样生成的继续看“拿杯子”这个任务。如果通过 Harness 来组织执行规划模型可以先决定“打开柜门”Harness 再把这条子任务、当前图像和机器人状态交给选定的动作策略。接下来是调用 VLA 还是 WAM区别就落在这段动作怎样生成。调用 VLA 时重点是把眼前的场景和指令转成合适的运动。许多 VLA 使用预训练视觉语言模型理解物体、场景和指令再用机器人数据把这些表征连接到动作。这样不同任务可以复用已有理解和操作经验Harness 也能通过不同子任务指令调用同一模型的操作能力。π0 是一个典型例子。它在视觉语言模型之外加入动作专家通过流匹配生成连续动作块。简单说模型结合图像、指令和机器人状态把带噪的动作逐步整理成一段可执行运动。接入前面的任务流程后这类模型把 Harness 传来的子任务进一步落实为机械臂和夹爪的运动。▲图 | π0 中间的视觉语言模型处理图像和指令右侧动作专家结合机器人状态生成连续动作。上方成组排列的输出将一个语言目标落实为多个时刻的运动使机器人能够连续推进一段操作。调用 WAM 时动作学习还会利用未来变化。对于开柜门训练信号既包含机械臂怎样运动也包含这段运动之后门和场景怎样变化。模型从中学习动作与后果之间的联系再用这类经验帮助生成动作。DreamZero 从预训练视频扩散模型出发联合生成未来视觉表征与机器人动作与 π0 主要借助视觉语言预训练不同它尝试把视频模型学到的运动和交互表征用于控制。视频即使没有精确的动作标注也能提供场景怎样变化的信息机器人数据补上的是另一半把变化对应到具体动作建立起动作与后果之间的联系。▲图 | DreamZero 左侧训练过程联合学习视频与动作右侧推理生成未来视觉表征和动作块。底部箭头将执行后的真实观测重新送回模型刷新历史信息让下一轮动作依据更新后的现场继续生成。这样看VLA 更强调观测、目标与动作之间的连接WAM 更明确地学习动作对应的未来变化两种能力也可以融合在同一个模型中。Harness 则在它们周围组织子任务和执行反馈动作能力的学习方式与任务组织方式可以分别设计。无论调用哪种策略执行后的结果都应回到任务判断中门已经打开就继续寻找杯子没有打开就重新观察或调整操作。动作怎样生成之外系统还要明确何时读取新观测、怎样确认结果这正是模型与 Harness 需要共同设计的地方。03 如果把动作模型换了Harness 要怎样配合把 VLA 换成 WAM未必只是换一个调用地址。Harness 还要了解这项能力接收什么信息、返回什么结果以及一轮执行需要多久。模型能力的提升还要通过合适的调用与反馈流程才能稳定转化为完整任务的收益。首先世界预测不一定发生在推理时还主要发生在训练中。例如 SelfWAM 同时学习动作、动作条件下的未来图像以及机器人自身区域预测但部署时可以不生成未来画面只走动作预测路径。如果把这类 WAM 接入 Harness调用流程仍可以接近 VLA传入当前状态和子任务取得动作并执行无须额外等待一段未来视频。▲图4 | SelfWAM 中部展示训练时视频与动作信息如何交互右上角给出单独的动作预测路径右下角是可选的视频预测路径。两条路径的分开使模型既能利用世界预测学习动作也能在执行时保留较轻的动作生成流程。前面提到的 DreamZero 属于另外一类它把视觉未来与动作一起生成调用时需要承担相应计算。若还要把预测交给高层规划就需要另外设计返回接口由 Harness 将预测与真实观测分别组织进上下文。执行时序同样需要重新安排。无论接入哪一类模型任务系统都要安排好动作执行、重新观测和下一次推理的时序。Harness 不能只记录“模型已返回”还要跟踪这段动作是否仍在执行让下一轮任务判断用上合适时刻的现场信息。其次模型的预测与执行后的事实需要分开。VLA 给出了拉门动作不能据此确认门已打开WAM 生成了门打开的未来画面同样还要用真实观测核对。动作模型可以依据新观测继续控制Harness 则需要把任务层面的结果送回规划模型支持它决定继续找杯子还是调整开门操作。两类模型的能力边界也决定了 Harness 能怎样处理失败。VLA 可能缺少某种接触操作的经验WAM 也可能预测错物体变化。Harness 可以组织重新观察、重试或切换已有能力但没有合适策略时反复调用并不能补出技能。结果评价器本身也会出错恢复是否有效要看真实执行。因此成本与收益必须放在同一条任务链里算VLA、WAM 的推理占多少时间Harness 的上下文准备、结果检查和重试又增加多少开销如果额外预测没有改善动作或额外检查只增加等待完整任务就未必更好。三者的配合应体现在更少的重复失败、更可靠的恢复和更合适的完成时间上。04 已经有 VLA 或 WAM为什么还需要 Harness除了跟踪一次调用Harness 还要处理多项能力之间的交接。假设 VLA 或 WAM 已经让机器人抓住杯子了接下来准备移动到桌边那么另一项负责移动的策略能直接接手吗不一定。因为两项策略可能使用不同接口也可能要求不同的起始姿态。前一项动作做得很好仍然可能把机器人留在后一项策略不熟悉的状态。这类问题单靠把动作模型做得更强未必就能自动解决。Harness 处理的是这些能力周围的连接。它整理当前信息为规划模型提供上下文落实模型选定的调用跟踪真实执行结果再支持下一轮决策。VLA 或 WAM 负责怎样完成一段动作Harness 则帮助系统确认这段动作怎样结束、后续能力从哪里接上。RoboHarness 的记忆桥就是一个具体例子。它利用过去的执行轨迹估计下一策略熟悉的状态再通过过渡动作改善交接。这里的记忆不是只保存一句“杯子拿到了”还需要保存能影响下一步执行的身体与动作经验。▲图5 | RoboHarness 右下角列出可调用的 VLA、WAM、强化学习策略与规划器左下角用 Memory Bridge 连接相邻策略。执行经验帮助系统找到合适的交接状态让前一项能力留下的身体姿态能够衔接下一项操作。这也说明Harness 不必与 VLA、WAM “竞争”它补的是模型管不到的那一段。RoboHarness 在 2026 年 9 月 29 日更新的 v3 中已经把 π0.5、经过强化学习后训练的 OpenVLA-OFT、Faster-WAM 和任务及运动规划器放进同一可调用策略库。四类能力同时可用的设置限于 LIBERO-LoHo 与相关消融具体调用随任务而定真机实验仍是 π0.5 与规划器的组合。在这种组合中VLA、WAM 各自保留动作生成方式Harness 利用策略接口与执行经验把它们组织起来。它的优势是复用已有能力代价则是需要维护不同能力的适用条件、状态交接和调用接口。动作模型越丰富外层协作也越需要清楚的约定。这种分工也会随模型能力变化。π0 的论文已经展示过高层视觉语言模型拆分子任务、底层策略执行的做法。如果 VLA 或 WAM 能独立完成更长的操作Harness 就可以少做一些细粒度调用把重点放在任务边界、能力交接和异常处理上。外层需要承担多少工作取决于动作模型已经能做到哪里。05 三者有什么区别又是什么关系把前面的讨论收拢可以从三个问题记住它们。VLA怎样把观测和目标变成动作。它通常接收图像、语言和机器人状态等信息输出动作或动作序列。重点是把任务理解与操作经验连接起来。WAM怎样利用未来变化帮助动作学得更好。它把未来状态预测与动作学习联系起来。有的模型部署时联合生成未来和动作有的把预测主要留在训练中。重点是动作与后果之间的关系。Harness怎样把一次次能力调用接成完整任务。它围绕模型组织上下文、调用、记忆和真实反馈。重点是任务运行中的信息与能力怎样衔接而不只是某个模型输出什么。三者因此可以在不同位置结合动作模型用世界预测来训练系统再通过 Harness 调用它也可以保留多种 VLA、WAM 和传统工具按任务需要组织使用。模型内部可以融合系统外部也可以分工协作。这三种思路也对应不同的改进位置动作经验不足优先改善策略与数据动作学习需要更多后果信息可以引入世界预测已有能力在任务里接不上则要改进 Harness 的状态组织、调用与反馈。模型能力和系统组织可以一起改但需要分别检验各自带来的收益。06 模型决定上限系统决定落地这三者的关系反映了具身系统的一个核心问题哪些能力适合通过训练学进模型哪些信息、约束和执行过程需要在运行时明确管理。Harness 更有价值的发展方向是让不断升级的模型能力成为可复用、可检查的任务能力。随着 VLA、WAM 能独立完成更长的操作外层系统应减少不必要的细粒度干预把重点转向能力交接、结果验证和异常恢复。模型与系统的分工需要不断调整如果每换一个模型都要重写整套任务流程复用就仍然停留在接口表面。RoboHarness 提供了多策略协作的初步例子但稳定的跨模型、跨任务复用还需要更多证据。因此Harness 的进步不应由模块数量衡量。它应把模型能力的提升转化为可验证的执行收益而技能缺口与物理安全仍需要模型、控制器和专门验证共同解决。参考文献1. Kevin Black 等. π0: A Vision-Language-Action Flow Model for General Robot Control. arXiv:2410.24164v4.2. Seonghyeon Ye 等. World Action Models are Zero-shot Policies. arXiv:2602.15922v1.DreamZero3. Bikang Pan 等. SelfWAM: A Self-Grounded Unified World Action Model for Fast Robot Control. arXiv:2608.00725v1.4. Jinbang Huang 等. RoboHarness: Memory-Driven Orchestration of Heterogeneous Robot Policies for Long-Horizon Planning. arXiv:2607.18060v3.