WoW: AI robótica 14B. Genera futuros físicamente consistentes y ejecuta acciones SOTA

WoW es un modelo de mundo generativo (world model) de 14.000 millones de parámetros entrenado con una gran cantidad de datos de interacción, específicamente 2 millones de trayectorias de robots en el mundo real. A diferencia de los modelos de video pasivos, WoW se basa en la interacción activa para desarrollar una auténtica intuición física y comprender la causalidad. Este sistema integra el paradigma SOPHIA, utilizando agentes VLM (Vision Language Model) para evaluar la consistencia física de sus predicciones y refinar iterativamente los planes, mitigando las "alucinaciones físicas". Mediante el Flow-Mask Inverse Dynamics Model (FM-IDM), WoW cierra el ciclo de "imaginación a acción", traduciendo las simulaciones generadas en acciones ejecutables para robots físicos. Gracias a este enfoque, WoW logró resultados SOTA en el nuevo benchmark WoWBench, alcanzando un 96.53% en comprensión de instrucciones y un 80.16% en la adherencia a las leyes físicas.https://arxiv.org/pdf/2509.22642