WoW-1-Wan-1.3B-2M 是 WoW 项目中的 1.3B 参数生成式世界模型，面向具身交互中的想象、推理和行动。它被描述为能够生成物理一致的视频和机器人动作计划，并用于机器人零样本视频生成、因果推理与物理仿真、长程操作规划、前向与逆向控制预测等应用。

该模型在 2M 条真实世界机器人交互轨迹上训练，数据包含视觉、动作和语言等多模态场景，并使用多样化 mixture captions 增强泛化。说明中给出的提示示例包括 Franka 机器人抓取桌上红色瓶子、打开抽屉、拿螺丝刀并放到桌上，以及更细粒度的腕部旋转等动作描述。

模型使用 SOPHIA 视觉语言 critic 进行输出细化，并与共同训练的 Inverse Dynamics Model 配对，以形成从想象到动作的闭环。项目还计划持续更新更多轨迹、更丰富语言和更细的多模态标注，并提供项目页、GitHub 仓库和 WoW-1 Benchmark Samples 数据集资源。