WoW-1-Wan-14B-2M 是 WoW（World-Omniscient World Model）项目中的 14B 参数生成式世界模型，面向机器人中的想象、推理和行动。模型旨在生成物理一致的视频与机器人动作计划，并用于因果物理推理、长时程操作规划、正向与逆向控制预测等场景。

该模型训练于 2M 条真实世界机器人交互轨迹，数据包含视觉、动作和语言等多模态场景。其输出由 SOPHIA 视觉语言 critic 进行引导式 refinement，并与一个共同训练的 Inverse Dynamics Model 配对，用于连接“想象”到“行动”的流程。

训练描述中包含 mixture caption 策略：提示可长可短，caption 会引用不同机器人类型，并覆盖从粗粒度动作到细粒度动作的表达，例如 Franka 机器人抓取红色瓶子、打开抽屉、拿起螺丝刀、放到桌上，以及抓取前旋转手腕 30°。