- 论文公开站arXiv
Rolling-WAM：带滚动想象的世界动作模型
Rolling-WAM: World Action Models with Rolling Imagination
摘要显示，世界动作模型（WAM）将动作生成与未来视觉预测耦合，但每个重规划周期都要完成完整的视频-动作联合去噪，带来显著延迟。Rolling-WAM 将联合去噪分散到连续的重规划周期中，用滑动窗口维护处于不同噪声水平的视频-动作块：每步完整去噪即将执行的动作块，同时部分精炼更远未来的块，并随新相机观测推进窗口。在 LIBERO、RoboTwin 与真实 Unitree G1 人形机器人上，摘要称其达到有竞争力的操作性能，并相较标准联合 …
意义：为机器人操作中的视频-动作联合模型提供低延迟重规划思路，把计算摊到时间轴上，提升闭环响应速度。
- 论文公开站arXiv
模态自回归的世界-动作模型
Modality-Autoregressive World-Action Models
摘要显示，该工作提出 ModAR，一种先在预测动作前自回归式去噪多种未来模态的世界-动作模型（WAM），使每次预测都能以先前生成的模态为条件。研究从零训练，系统考察训练数据混合、预测模态与 WAM 形式对性能的影响。结果显示，预测点轨迹、DINO 特征与深度图对 WAM 有益，而额外预测 RGB 并无一致收益；ModAR 的序列生成优于现有 WAM 形式，并在所有评估数据规模下取得最高平均成功率。
意义：为具身智能与世界模型提供新范式：用点轨迹、DINO 特征、深度等模态替代 RGB 预测，可能显著降低训练算力并提升策略成功率。