VLA vs. World Action Models: ¿deben los robots reaccionar o imaginar?

Por Turing Post · 9 de octubre de 2026.

Este número de Turing Post es una guía dedicada a una nueva familia de modelos para robótica llamados World Action Models (WAM), y a cómo se diferencian de los ya conocidos Vision-Language-Action models (VLA). El correo arranca con una idea de contexto: los world models han acercado a la IA a entender cómo funciona el mundo físico, pero la pregunta que plantea el boletín es qué hacer con ese entendimiento una vez que existe, es decir, cómo pasar de predecir qué ocurrirá a actuar en consecuencia. Los WAM se presentan como la clase de modelos que intenta unir esas dos capacidades: predecir cómo cambia el mundo y, al mismo tiempo, decidir qué acción tomar a partir de esa predicción.

Según el propio correo, para que un modelo se considere un WAM necesita dos componentes: una predicción del futuro (que puede tomar la forma de una imagen, un vídeo, flujo óptico, una nube de puntos o una representación latente aprendida, es decir, una descripción numérica compacta del estado predicho) y una generación de acciones ligada a esa predicción. El modelo puede predecir primero el futuro y derivar acciones a partir de él, o bien generar estados futuros y acciones de forma conjunta.

El boletín dedica una sección a rastrear el origen del término 'World Action Model'. Señala que el paper de NVIDIA de 2026 titulado 'World Action Models are Zero-shot Policies' popularizó el término para distinguir estas arquitecturas de los VLA, pero aclara que el concepto venía evolucionando desde antes: el término ya se usaba de forma ocasional en 2024 y 2025 para describir modelos que unifican dinámica del mundo y generación de acciones. También menciona que Jürgen Schmidhuber sentó las bases conceptuales de estos modelos mundo-controlador ya en 1990, aunque el correo aclara explícitamente que no fue él quien acuñó el término tal y como se usa hoy.

El texto reconstruye la cronología de ese origen con tres hitos concretos citados en el cuerpo del correo. El primero es el 1 de octubre de 2024, cuando Jie Cheng y colegas publicaron 'Scaling Offline Model-Based RL via Jointly-Optimized World-Action Model Pretraining', presentando el modelo JOWA, entrenado en juegos de Atari con un backbone transformer compartido optimizado conjuntamente con pérdidas de modelado del mundo y de diferencia temporal (TD), para aprender tanto la dinámica del entorno como el valor de las acciones. El segundo hito es el 21 de marzo de 2025, con el paper 'DyWA: Dynamics-adaptive World Action Model for Generalizable Non-prehensile Manipulation', de Jiangran Lyu y colegas de Peking University y Galbot, que usa el término en un contexto robótico como un modelo de política que predice conjuntamente acciones del robot y sus estados futuros correspondientes, usando esa predicción de estado futuro como señal de entrenamiento adicional.

El tercer hito, y el que el correo describe como el paper más popular sobre WAM, es DreamZero, presentado por el equipo de investigación de NVIDIA el 17 de febrero de 2026 en el paper 'World Action Models are Zero-shot Policies'. DreamZero es, según el correo, un WAM construido sobre un modelo de difusión de vídeo preentrenado que genera conjuntamente fotogramas de vídeo futuros y acciones; en otras palabras, aprende a predecir cómo se verán las acciones de un robot y qué comandos motores las producirán, todo a la vez. El correo cita como líderes del proyecto a Seonghyeon Ye, Yuke Zhu, Jim Fan y Joel Jang, y aclara expresamente que, aunque tiene sentido asociar los WAM con Jim Fan y NVIDIA por la repercusión de DreamZero, no sería exacto decir que fueron los primeros en acuñar el término. También incluye una imagen de la arquitectura del modelo, atribuida al propio paper de NVIDIA.

La parte central del correo compara de forma explícita los principios de VLA y WAM. Según el texto, un VLA aprende a responder '¿qué acción o secuencia de acciones debería tomar?', mientras que un WAM aprende a responder '¿qué va a pasar en el mundo, y qué acción me lleva al futuro que quiero?'. El correo despliega una tabla comparativa con varios ejes: en la pregunta principal, VLA se centra en 'qué debo hacer' y WAM en 'qué pasará si hago esto' más 'qué debo hacer'; en el fundamento típico, VLA parte de un modelo de visión y lenguaje (VLM) y WAM de un modelo de mundo o de vídeo; en el foco de aprendizaje, VLA va de la semántica a la acción y WAM combina dinámica y acción; en la salida, VLA produce una acción o secuencia de acciones del robot, mientras que WAM produce una acción junto con un estado o representación futura, o una acción informada por la dinámica del mundo aprendida; en la fortaleza, VLA destaca en generalización a través del lenguaje y el significado, y WAM en dinámica física y espaciotemporal; y como analogía, el correo resume VLA como 'percibir → actuar' y WAM como 'imaginar → actuar'.

El boletín anuncia que iba a desglosar esta distinción con un ejemplo práctico concreto para un robot (la tarea de 'coger la taza y ponerla en el fregadero'), pero en este punto el correo se corta con un muro de pago: el texto indica explícitamente 'you need to read it to really understand the difference' y remite a los suscriptores premium para leer el resto, de modo que el desarrollo de ese ejemplo y las secciones posteriores anunciadas en el índice (WAMs en cascada, WAMs conjuntos, cómo DreamZero conecta la predicción de vídeo con el control del robot, cómo los modelos de vídeo representan los comandos del robot, si los WAM generalizan mejor que los VLA, y la pregunta final de si los robots deberían reaccionar o imaginar) no llegan a desarrollarse en el cuerpo recibido.

Como contenido adicional y no relacionado directamente con el tema principal, el correo incluye un aparte que remite a un vídeo de YouTube del propio Turing Post sobre Open d1, una familia de modelos de decisión de Liquid AI, presentado como alternativa para quien no esté interesado en el tema de los WAM; el correo no desarrolla más detalles sobre ese modelo aparte de mencionar su existencia y enlazar el vídeo. El correo también enlaza al episodio anterior de la serie, dedicado a cómo funcionan los world models en general (de Dreamer y JEPA a Waymo y Atlas), y cierra con elementos habituales del boletín como el enlace de referidos para conseguir un mes de suscripción premium.