企业官网建设流程全解析

如何高效部署EasyWAM-Unified-Wan22：多GPU分布式评测与运行参数调优完整教程

EasyWAM-Unified-Wan22 是 EasyWAM 团队基于Wan2.2-TI2V-5B基座发布的世界动作模型（World Action Model）开源 Checkpoint 仓库。它用单个 Video DiT 同时表示并去噪视频与动作（action）token，让两种模态在同一组 self-attention 层中双向耦合。本文面向新手，带你完成从环境部署、模型文件下载，到多 GPU 分布式评测与运行参数调优的完整流程，并附上 LIBERO 基准的真实成绩，帮助你在几小时内跑通整套评测。

一、先认识项目：这个仓库里有什么？

这个仓库本身只存放模型权重与评测所需的统计文件，不含训练代码（训练与评测代码由 EasyWAM 代码库提供）。仓库文件非常精简：

💡 核心设计：视频 token 和动作 token 共享同一个 Video DiT 骨干，通过state_position: sequence的方式将状态序列嵌入序列中，这也是评测协议固定使用的配置。

二、部署前准备：三步搭好运行环境

在跑评测之前，需要依次完成以下三步准备（详见 README.md 的 Evaluation 一节）：

1. 安装 EasyWAM 代码库：克隆并安装 EasyWAM，获得experiments/libero/run_libero_manager.py评测入口；
2. 准备 Wan2.2-TI2V-5B 骨干依赖：按 EasyWAM 官方的 Wan2.2 backbone 指南安装所需依赖并下载骨干权重。⚠️LoRA Checkpoint 不包含完整 Wan2.2 骨干，加载前必须先配置好骨干权重路径，否则会报错；
3. 搭建 LIBERO 仿真环境：按 EasyWAM 的 LIBERO 评测指南安装模拟器，评测将在 LIBERO 仿真中实际执行任务。

提示：全参数 Checkpoint 体积较大，建议提前规划好磁盘空间；LoRA 版本参数少、显存占用低，适合单卡或显存有限的机器做快速验证。

三、获取模型文件：clone 仓库 + 一条命令下载

3.1 克隆仓库

git clone https://gitcode.com/OpenMOSS/EasyWAM-Unified-Wan22

3.2 下载 Checkpoint 文件

如果仓库中的.pt文件是占位文件（体积只有几百字节），请执行以下命令从模型平台拉取完整权重：

hf download OpenMOSS-Team/EasyWAM-Unified-Wan22 \ libero_unified_wan22.pt \ libero_unified_wan22_lora_128.pt \ libero_dataset_stats.json \ --local-dir ./checkpoints

下载完成后，./checkpoints目录中应有与 libero_unified_wan22.pt、libero_unified_wan22_lora_128.pt、libero_dataset_stats.json 同名的三个文件。

四、一键运行评测：全参数与 LoRA 两条命令

进入 EasyWAM 代码库根目录，只需替换task与ckpt参数即可切换模型：

全参数 Checkpoint 评测

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 Checkpoint 评测

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

三个核心参数速查表：

⚠️ 高频踩坑点：LoRA Checkpoint 还包含其他可训练的 EasyWAM 模块，必须使用带_lora后缀的 task recipe 加载，直接用全参数 recipe 会加载失败。

五、多 GPU 分布式评测：用 MULTIRUN.num_gpus 加速

默认评测协议会跑完4 个 LIBERO 套件（Spatial、Object、Goal、LIBERO-10），每个任务 50 次 trial，单卡运行耗时很长。好消息是评测框架原生支持多卡分片：只需在命令末尾追加一个参数——

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 \ MULTIRUN.num_gpus=4

5.1 多卡分配建议

• 按卡数线性扩展：MULTIRUN.num_gpus设为可用 GPU 数量即可，例如 8 卡机器设为8；
• 显存参考：全参数模型建议在每卡显存 ≥ 24GB 时使用；LoRA 版本对显存更友好，可在更小的卡上开更多分片；
• 验证小技巧：正式跑 50 trial 全量评测前，可先小范围试跑一轮，确认仿真环境、骨干权重路径都正常，再启动多卡任务，避免长时间运行后才发现配置错误。

六、运行参数调优：让评测又快又稳

结合 README.md 的说明，调优时重点关注这几点：

1. Checkpoint 与 recipe 严格配对：全参数 ↔libero_easywam_unified_wan22，LoRA ↔libero_easywam_unified_wan22_lora，这是最常见的报错来源；
2. LoRA 前先放好骨干权重：LoRA 权重（rank 128 / alpha 128，作用于骨干 Video DiT 的目标模块）依赖完整的 Wan2.2-TI2V-5B 骨干，缺失时评测无法启动；
3. 统计文件不可省略：libero_dataset_stats.json 中同时包含state与action两组统计（如stepwise_min/max、global_q01/q99、global_mean/std），评测时的观测归一化完全依赖它，路径写错会导致动作数值分布漂移、成功率异常下跌；
4. 状态放置方式保持默认：所有结果均在state_position: sequence协议下取得，更换该配置会与官方成绩不可比。

七、跑分参考：LIBERO 基准成绩一览

部署完成后，可以参考下表检验你的评测结果是否正常（成功率 %，数值越高越好，数据来自 README.md）：

全参数 Checkpoint

LoRA（Rank 128）

在 LIBERO-Plus 鲁棒性测试中，EasyWAM-Unified 全参数版本平均成功率达到 79.0%，高于所有对比模型，其中 Language（93.7）与 Light（97.0）子项表现尤为突出。

八、常见问题速查（FAQ）

Q1：加载 LoRA Checkpoint 时报错或权重缺失？先确认是否已下载并配置 Wan2.2-TI2V-5B 骨干权重路径，且task使用了_lora配方。

Q2：4 个套件全量评测太慢怎么办？追加MULTIRUN.num_gpus=<gpu数量>做分布式评测，多卡线性分摊 trial 任务。

Q3：我的评测成功率远低于上表？依次检查：task是否匹配、EVALUATION.dataset_stats_path是否指向正确的统计文件、LIBERO 仿真环境版本是否与训练时一致。

总结

EasyWAM-Unified-Wan22 的部署路径可以概括为四步：搭环境（EasyWAM + Wan2.2 骨干 + LIBERO 仿真）→ 下载三个文件（两个.pt权重 + 一个 stats）→ 用task/ckpt/EVALUATION.dataset_stats_path三条参数跑通评测 → 用MULTIRUN.num_gpus多卡加速。只要注意"Checkpoint 与 recipe 严格配对"和"LoRA 必须配齐骨干权重"这两个关键点，你就能快速在 LIBERO 基准上复现 EasyWAM-Unified 98.6% 平均成功率的高水平结果 🚀