世界-動作模型（WAM）被視為實現具身智能的一條有前景的路徑，但當前主流方案仍以視頻基礎模型或視覺-語言模型為核心。即使引入 VGGT 等三維模型提取的幾何特徵，這些特徵通常也只是作為輔助輸入或預測目標，被送入視頻模型或 VLM 主幹，三維幾何並未成為世界建模的原生基礎。X-Era AI Lab 團隊（Jianhao Lai 等 26 位作者）提出的 E0.5 試圖改變這一局面。
E0.5 的核心思路是構建一個幾何原生的世界-動作模型，直接建立在三維基礎模型之上。它有兩項關鍵創新。第一，模型採用三維基礎模型作為主幹預訓練框架，使三維幾何成為世界建模和動作預測共同的原生表示，而非外掛的輔助信息。第二，模型在預測動作的同時顯式預測未來的三維狀態，從而能夠學習幾何層面的世界動態，這超越了僅做動作建模或僅做未來視頻預測的範式。
實驗首先在 RoboTwin 2.0 仿真基準上進行。在不使用任何具身數據預訓練的情況下，E0.5 在乾淨設置下取得 89.90% 的成功率，在隨機化設置下取得 50.09% 的成功率，初步驗證了幾何原生主幹的可行性。
在此基礎上，研究團隊進一步在 AgiBotWorld-Beta 的超過 16 萬條機器人軌跡上對 E0.5 進行具身預訓練，在預訓練的三維基礎模型內部聯合學習機器人動作與未來幾何。這種具身預訓練在真實世界操作任務上帶來了顯著提升：在 AgileX Piper 平台上平均成功率提高約 15 個百分點，在 Zerith H1 平台上提高約 7 個百分點。
這些結果表明，幾何原生的基礎模型有潛力獲取機器人交互知識，並將其遷移到物理操作任務中。E0.5 是 VWA 系列世界-動作模型中的一員，體現了這一幾何原生路線。論文於 2026 年 10 月 26 日提交至 arXiv，編號為 arXiv:2610.36011，屬於機器人學（cs.RO）方向，全文約 14 MB。