世界-动作模型（WAM）被视为实现具身智能的一条有前景的路径，但当前主流方案仍以视频基础模型或视觉-语言模型为核心。即使引入 VGGT 等三维模型提取的几何特征，这些特征通常也只是作为辅助输入或预测目标，被送入视频模型或 VLM 主干，三维几何并未成为世界建模的原生基础。X-Era AI Lab 团队（Jianhao Lai 等 26 位作者）提出的 E0.5 试图改变这一局面。
E0.5 的核心思路是构建一个几何原生的世界-动作模型，直接建立在三维基础模型之上。它有两项关键创新。第一，模型采用三维基础模型作为主干预训练框架，使三维几何成为世界建模和动作预测共同的原生表示，而非外挂的辅助信息。第二，模型在预测动作的同时显式预测未来的三维状态，从而能够学习几何层面的世界动态，这超越了仅做动作建模或仅做未来视频预测的范式。
实验首先在 RoboTwin 2.0 仿真基准上进行。在不使用任何具身数据预训练的情况下，E0.5 在干净设置下取得 89.90% 的成功率，在随机化设置下取得 50.09% 的成功率，初步验证了几何原生主干的可行性。
在此基础上，研究团队进一步在 AgiBotWorld-Beta 的超过 16 万条机器人轨迹上对 E0.5 进行具身预训练，在预训练的三维基础模型内部联合学习机器人动作与未来几何。这种具身预训练在真实世界操作任务上带来了显著提升：在 AgileX Piper 平台上平均成功率提高约 15 个百分点，在 Zerith H1 平台上提高约 7 个百分点。
这些结果表明，几何原生的基础模型有潜力获取机器人交互知识，并将其迁移到物理操作任务中。E0.5 是 VWA 系列世界-动作模型中的一员，体现了这一几何原生路线。论文于 2026 年 10 月 26 日提交至 arXiv，编号为 arXiv:2610.36011，属于机器人学（cs.RO）方向，全文约 14 MB。