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？](#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？](#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？](#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 Harness？](#04 已经有 VLA 或 WAM，为什么还需要 Harness？)
[05 三者有什么区别，又是什么关系？](#05 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](#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:2410.24164，v4.
2. Seonghyeon Ye 等. World Action Models are Zero-shot Policies. arXiv:2602.15922，v1.（DreamZero）
3. Bikang Pan 等. SelfWAM: A Self-Grounded Unified World Action Model for Fast Robot Control. arXiv:2608.00725，v1.
4. Jinbang Huang 等. RoboHarness: Memory-Driven Orchestration of Heterogeneous Robot Policies for Long-Horizon Planning. arXiv:2607.18060，v3.