新手入门 EasyWAM-Unified-Wan22：环境安装与 Wan2.2 骨干权重配置避坑指南
【免费下载链接】EasyWAM-Unified-Wan22项目地址: https://ai.gitcode.com/OpenMOSS/EasyWAM-Unified-Wan22
EasyWAM-Unified-Wan22 是基于 Wan2.2-TI2V-5B 骨干训练的 World Action Model（世界-动作模型）开源检查点仓库。本文将带你完成环境安装、检查点下载与 Wan2.2 骨干权重配置的全流程，并列出新手最容易踩中的 3 个坑，帮助你一次跑通 LIBERO 评估。
一、项目是什么？5 分钟了解 EasyWAM-Unified-Wan22
🤖一句话介绍：EasyWAM-Unified 使用单个 Video DiT同时表示并去噪"视频 token"与"动作 token"，两种模态通过同一组自注意力层双向耦合，实现了"视觉想象 + 动作生成"的统一建模。
本仓库发布的是在LIBERO 机器人操作基准上训练的官方检查点，核心能力一览：
| 检查点 | 说明 | 文件 |
|---|---|---|
| 全参数版 | 完整训练权重，LIBERO 四套件平均成功率98.6% | libero_unified_wan22.pt |
| LoRA 版（Rank 128 / Alpha 128） | 仅微调骨干目标模块 + 其他可训练模块 | libero_unified_wan22_lora_128.pt |
| 归一化统计 | LIBERO 数据集 state/action 统计量，评估必带 | libero_dataset_stats.json |
💡 其他可训练 EasyWAM 模块与 LoRA 权重存放在同一个检查点文件中，加载时必须使用匹配的
_lora任务配方（后文详述）。
完整指标与对比数据可参考项目说明文档 README.md。
二、环境安装步骤：从零到可运行
1. 确认硬件与软件前提
- GPU：显存建议 24GB 起步（5B 骨干推理/评估）
- Python：3.10 及以上
- 依赖：EasyWAM 代码库、Wan2.2-TI2V-5B 相关依赖、LIBERO 仿真器
2. 准备 EasyWAM 代码库
本仓库只发布检查点，训练与评估代码来自 EasyWAM 代码库（训练框架同源）。请先安装 EasyWAM，再按其文档准备 Wan2.2-TI2V-5B 的依赖环境：
- 克隆 EasyWAM 代码库并安装依赖
- 按 EasyWAM 官方Wan2.2 骨干配置指南（
docs/instructions/backbone/wan22.md）准备 Wan2.2-TI2V-5B 骨干权重 - 按 EasyWAM 官方LIBERO 评估指南（
docs/instructions/benchmark/libero.md）搭建 LIBERO 仿真环境
3. 下载本仓库的三个文件
hf download OpenMOSS-Team/EasyWAM-Unified-Wan22 \ libero_unified_wan22.pt \ libero_unified_wan22_lora_128.pt \ libero_dataset_stats.json \ --local-dir ./checkpoints⚠️避坑提示：
libero_dataset_stats.json是归一化统计文件，评估时必须通过EVALUATION.dataset_stats_path显式传入，漏传会导致动作数值尺度错乱、成功率异常偏低。
三、核心避坑点：Wan2.2 骨干权重配置
坑 1：LoRA 检查点不包含完整骨干权重 🔴
这是新手踩坑率最高的一点。README 中有明确警告：
LoRA 检查点不包含完整的 Wan2.2 骨干。在加载或评估之前，必须先下载所需的骨干权重并配置其路径。
正确姿势分两步：
- 按 EasyWAM 的 Wan2.2 骨干指南下载Wan2.2-TI2V-5B 基础权重
- 在任务配置中将骨干权重路径指向本地目录，再加载 LoRA 检查点
坑 2：LoRA 检查点必须搭配_lora任务配方 🟡
LoRA 版本（rank 128 / alpha 128）与其他可训练模块打包在同一个.pt文件里，因此必须使用匹配的libero_easywam_unified_wan22_lora任务配方加载；用全参数配方加载 LoRA 文件（或反之）会导致权重加载失败或静默错配。
坑 3：state_position 固定为sequence🟢
本仓库检查点的 state token 放置方式为sequence，LIBERO 评估协议统一采用该设置。复现指标时无需（也不应）改动此项。
四、跑通评估：两条命令搞定
# 全参数检查点 python experiments/libero/run_libero_manager.py \ task=libero_easywam_unified_wan22 \ ckpt=./checkpoints/libero_unified_wan22.pt \ EVALUATION.dataset_stats_path=./checkpoints/libero_dataset_stats.json # LoRA 检查点 python experiments/libero/run_libero_manager.py \ task=libero_easywam_unified_wan22_lora \ ckpt=./checkpoints/libero_unified_wan22_lora_128.pt \ EVALUATION.dataset_stats_path=./checkpoints/libero_dataset_stats.json默认协议会对全部四个 LIBERO 套件、每任务 50 次试验进行评估。多卡机器可追加MULTIRUN.num_gpus=<gpu数量>将评估分发到多张 GPU，显著缩短总时长。
五、常见问题速查表
| 现象 | 可能原因 | 解决办法 |
|---|---|---|
| 加载 LoRA 检查点报缺失骨干权重 | 未下载/未配置 Wan2.2-TI2V-5B 骨干 | 按骨干指南下载权重并配置路径 |
| 权重加载错配、任务行为异常 | LoRA 文件用了非_lora配方 | 改用libero_easywam_unified_wan22_lora |
| 动作幅度异常、成功率骤降 | 漏传归一化统计 | 传入libero_dataset_stats.json |
| 评估速度慢 | 单卡串行 | 追加MULTIRUN.num_gpus多卡分发 |
六、参考性能（LIBERO 官方协议）
- 全参数版：Spatial 98.4 / Object 98.8 / Goal 99.2 / LIBERO-10 98.0，平均 98.6%，与同骨干最优方案持平
- LoRA 版（Rank 128）：Object 98.8 表现亮眼，LIBERO-10 66.2，平均 87.0%——LoRA 在长时程组合任务上仍有差距，选型时请结合场景权衡
七、写在最后
新手跑通 EasyWAM-Unified-Wan22 的记忆口诀就三句话：
- 代码在 EasyWAM，权重在本仓库
- LoRA 评估前，先装 Wan2.2 骨干
- 统计文件要显式传
搞定这三点，你的 LIBERO 评估流水线就基本不会出岔子了。更多细节（许可证 CC BY-NC 4.0、引用格式等）请查阅 README.md。
Happy hacking! 🚀
【免费下载链接】EasyWAM-Unified-Wan22项目地址: https://ai.gitcode.com/OpenMOSS/EasyWAM-Unified-Wan22
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考