已收录文章摘要，完整内容可前往原文阅读。
具身智能领域一直存在一个「鱼与熊掌」的困境：基于 VLM 的 VLA 模型语义理解强，但对世界动力学（dynamics）理解薄弱；基于视频生成的 WAM 模型物理直觉好，但遇到分布外（OOD）场景就「