O que o WAM Realmente Otimiza
O termo mais quente na corrida dos world models de 2026 é WAM — World Action Model. O GigaWorld-Policy reduz a inferência a 85 milissegundos em uma RTX 4090. A arquitetura DAWN da Coowheel permite que a predição do mundo e a geração de ações “negociem” no espaço latente. A ω-EVA da Xingyuanzhi faz os robôs ensaiarem as consequências antes de agir. Todos estão tentando provar a mesma coisa: robôs devem “pensar antes de se mover”.
Mas a ação nunca foi o objetivo do trabalho. Peça a um robô para encaixar a peça A no slot B, e a tarefa não é “girar o punho, fechar a garra, aplicar 5 newtons” — essas são três ações. A tarefa é “encaixou, está apertado e nada foi danificado”. O WAM fixa o olhar na pergunta “o próximo movimento está correto?” e ignora “o trabalho inteiro será concluído?”
Esse ponto cego é estrutural. Um WAM é um otimizador de ações, não um concluidor de tarefas. Imagine um maratonista obsessivamente disciplinado — ritmo perfeito, respiração, movimento dos braços — que nunca olhou o mapa do percurso. Passos individuais impecáveis, pouca chance de terminar a corrida.
O efeito multiplicador faz o resto do estrago. Em uma tarefa de 10 etapas, uma taxa de sucesso de 95% por etapa se compõe para cerca de 60% no total. Mesmo 99% por etapa rende apenas cerca de 90% de ponta a ponta. É por isso que as demos de VLA e WAM continuam desabando nos palcos dos eventos: cada etapa parece estável isoladamente; encadeadas, elas desmoronam.
Por que “Conclusão de Tarefas” se Torna a Métrica Primeva
Entra o WTM — World Task Model. Em vez de pontuar cada ação isoladamente, um WTM rastreia explicitamente o progresso da tarefa, a conclusão de sub-objetivos e a probabilidade de sucesso final como sinal central de supervisão. Cada decisão é pesada contra uma pergunta: ela aproxima o trabalho da conclusão?
A diferença em relação ao WAM aparece em três lugares:
- Alvo de otimização. O WAM maximiza a probabilidade da próxima ação correta; o WTM maximiza a probabilidade de toda a trajetória ter sucesso.
- Tratamento de erros. No WAM, os erros por etapa se acumulam de forma independente e se multiplicam. No WTM, os erros são absorvidos no espaço de progresso da tarefa — o modelo percebe que o progresso estagnou e corrige, em vez de deixar o desvio se arrastar até o fim da tarefa.
- Honestidade dos dados. “95% de precisão por etapa” impressiona em um slide e se constrange no chão de fábrica. A métrica do WTM é a taxa de sucesso da tarefa — um número que um comprador pode ler e confiar.
A analogia mais clara: o WAM é o artesão que se obsessiva com cada entalhe; o WTM é o gerente de projeto que assina se a casa está habitável. Os clientes pagam por uma casa habitável, não por madeira uniformemente entalhada.
Quem Está Mais Perto do WTM
Classificados por proximidade de um verdadeiro modelo em nível de tarefa:
- Physical Intelligence — o player de VLA mais próximo. O π0.5 introduziu predição de subtarefas de alto nível; o π0.7 adicionou imagens visuais de sub-objetivos e metadados de episódios. Isso é uma representação de progresso de tarefa e sub-objetivo comprimida dentro de uma carcaça VLA. Em um teste não treinado de dobrar camisas com dois braços, o π0.7 alcançou 80,0% zero-shot — quase igualando os 80,6% de um teleoperador humano. A PI está a uma janela fina do WTM: ainda trata subtarefas como entradas de condicionamento, e não como sinais de treinamento conjunto.
- Xingyuanzhi — esqueleto de WTM, ainda WAM. O loop Envision-Verify-Act da ω-EVA traz a predição do mundo para o circuito de decisão de ações, e o aprendizado a partir de dados de falha é próximo de um feedback em nível de tarefa. Mas seu loop de correção permanece dentro de uma tripla local “estado + ação candidata + resultado imaginado”, sem grafo de tarefa explícito ou cabeça de progresso. São 1,2B de parâmetros, 98,6% no LIBERO — território de tarefa única.
- Coowheel — o WAM mais forte em controle contínuo. A correção recursiva preditor-de-mundo/denoidalizador-de-ações da DAWN é impressionante (89,1 PDMS no NAVSIM), mas direção é um fluxo contínuo sem fronteiras claras de subtarefas. É um universo paralelo às tarefas de manipulação.
- GigaWorld — engenharia pura de WAM. Otimiza implantação em vez de raciocínio, chegando a desativar a geração de vídeo futuro na inferência para atingir 85 ms. Esse é um compromisso deliberado tanto do “mundo” quanto da “tarefa” — o mais longe do WTM em termos de arquitetura.
- OAKMU — o azarão. Abertamente pula VLA e world models, apostando em execução guiada por instinto com loop fechado de toque e erro quase zero por etapa — empurrando o produto multiplicativo em direção a 1. Seu tempo de troca de linha de 6–40 minutos (vs. semanas para linhas tradicionais) já é evidência em nível de tarefa, mesmo sem um world model.
O Que Realmente Força a Mudança: o Livro-razão do Comprador
O catalisador não é um artigo — é o livro-razão do comprador. O relatório da KPMG sobre a WAIC diz que a avaliação de investimentos deixou a era de “parâmetros maiores, demos mais bonitas” e agora se centra na conclusão de tarefas em cenários reais, na generalização para ambientes desconhecidos e no custo unitário de implantação. A due diligence agora olha para linhas de produção e pedidos recorrentes, não para apresentações de slides.
Os RFPs das fábricas são mais diretos: “O rendimento desta linha pode subir 5 pontos? Quanto tempo para trocar um SKU — uma semana, ou minutos? Qual é o payback deste CAPEX?” Os principais fabricantes de 3C já tornaram a conclusão de tarefas e a eficiência de troca de linha condições de veto em licitações. Com 90 bilhões de RMB injetados em IA incorporada no primeiro semestre de 2026 (5x ano contra ano), a era das demos acabou — alguém precisa começar a falar de retorno. Nossa análise recente sobre como startups de IA sobrevivem ao inverno de financiamento mostrou a mesma regra: o capital, mais cedo ou mais tarde, exige resultados, não runway.
É por isso que o prazo é de cerca de oito meses. Reguladores querem robôs humanoides produzindo output normal e sustentado em linhas reais até o fim do ano; as licitações de 3C já estão votando na conclusão de tarefas; o capital precisa ver retorno. Empilhando esses relógios, a janela para uma resposta em nível de tarefa se fecha no início de 2027. O mesmo princípio que força sistemas multiagente a adicionar loops de gerar-executar-verificar-reparar se aplica aqui: confiabilidade só conta no nível do resultado finalizado.
O Que os Praticantes Devem Fazer Agora
- Acompanhe a taxa de sucesso da tarefa, não a precisão por etapa. Se o benchmark de um modelo é “99% no LIBERO”, mas ninguém consegue dizer a taxa de aprovação ponta a ponta em um lote de 50 etapas, a métrica está escondendo o modo de falha.
- Fique de olho na cabeça de progresso. O sinal revelador da “WTM-ização” é uma cabeça explícita de regressão de progresso de tarefa ou sub-objetivo entrando no objetivo de treinamento conjunto.
- Precifique contra a troca de linha, não contra a elegância da demo. Troca de SKU em escala de minutos é a métrica que os compradores estão de fato escrevendo nos RFPs.
- Aceite que o WTM é um resultado, não uma arquitetura específica. World model, carcaça VLA ou guiado por instinto — se conclui a tarefa de forma confiável, é WTM na prática.
A era dos brinquedos da IA incorporada acabou; a era das ferramentas começou. A questão não é mais quão rápido um modelo roda, mas se ele consegue marcar a caixinha “tarefa concluída” em uma linha de produção real. O WTM não nascerá em um laboratório. Será forçado à existência por compradores que cansaram de esperar.
