Light-WAM：基于状态融合动作解码的高效世界动作模型
摘要
Light-WAM是一种轻量级世界动作模型，用于高效机器人操作。它采用紧凑视频骨干网络和降采样潜在空间进行未来视频监督，在保持低推理延迟的同时实现了高性能。
查看缓存全文
缓存时间: 2026/06/10 00:10
论文页面 - Light-WAM：基于状态融合动作解码的高效世界动作模型
来源：https://huggingface.co/papers/2606.08242
摘要
Light-WAM 是一种轻量级世界动作模型，专为机器人操作任务设计。它采用紧凑的视频骨干网络和降采样潜在空间，以实现高效未来视频监督，并结合 StateFusionActionExpert 直接预测动作。
世界动作模型（https://huggingface.co/papers?q=World%20Action%20Models）（WAMs）通过将未来预测（https://huggingface.co/papers?q=future%20prediction）作为额外训练目标扩展了机器人策略学习（https://huggingface.co/papers?q=robot%20policy%20learning），从而促使策略在其表征中编码与任务相关的时间结构。当前的世界动作模型通常依赖于大规模生成式架构（https://huggingface.co/papers?q=generative%20architectures），这导致训练成本高且推理延迟（https://huggingface.co/papers?q=inference%20latency）大，难以部署为高效的闭环策略。我们提出 Light-WAM，一种用于高效机器人操作的轻量级世界动作模型。具体来说，它采用紧凑的视频骨干网络（https://huggingface.co/papers?q=video%20backbone），并在降采样的潜在空间（https://huggingface.co/papers?q=downsampled%20latent%20space）中进行未来视频监督，从而降低视频协同训练成本，同时保留其对表征学习的益处。在动作预测方面，Light-WAM 引入了 StateFusionActionExpert（https://huggingface.co/papers?q=StateFusionActionExpert），该模块从多个骨干网络层读取适配状态，通过可学习查询池化（https://huggingface.co/papers?q=learned-query%20pooling）进行融合，并在单次前向传播中直接预测动作片段（https://huggingface.co/papers?q=action%20chunks）。这种设计为视频骨干网络（https://huggingface.co/papers?q=video%20backbone）表征与机器人动作之间提供了高效接口，避免了对重型生成式动作专家的依赖。实验表明，Light-WAM 在 LIBERO 上保持了强劲性能，并在 RoboTwin 2.0 上实现了可用的多任务性能，同时仅使用了 0.44B 可训练参数。它还实现了 72.03ms 的推理延迟（https://huggingface.co/papers?q=inference%20latency），峰值 GPU 内存为 4.1GiB，并提升了训练吞吐量（https://huggingface.co/papers?q=training%20throughput）。
查看 arXiv 页面（https://arxiv.org/abs/2606.08242）查看 PDF（https://arxiv.org/pdf/2606.08242）GitHub25（https://github.com/L1ziang/Light-WAM）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.08242）
在您的智能体中获取此论文：
hf papers read 2606.08242
没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash
引用此论文的模型1
l1ziang/lightwam-checkpoints 更新于约10小时前（https://huggingface.co/l1ziang/lightwam-checkpoints）
引用此论文的数据集1
l1ziang/lightwam-offline-cache 更新于约10小时前 • 50（https://huggingface.co/datasets/l1ziang/lightwam-offline-cache）
引用此论文的 Spaces0
没有链接此论文的 Space
在 Space 的 README.md 中引用 arxiv.org/abs/2606.08242 以从此页面链接。
包含此论文的收藏集0
没有包含此论文的收藏集
添加此论文到一个收藏集（https://huggingface.co/new-collection）以从此页面链接。
相似文章
Flash-WAM: 面向世界行动模型的模态感知蒸馏
Flash-WAM提出了一种面向世界行动模型的模态感知蒸馏方法，通过将扩散压缩为每个模态单步推理，实现了实时推理，速度提升23倍。
AHA-WAM：异步视野自适应世界动作建模与观测引导上下文路由
AHA-WAM是一种异步世界动作模型，采用双扩散Transformer将世界预测与动作执行解耦，实现了高效的长视野规划和实时控制。它在机器人操作任务上达到了最先进的性能，在RoboTwin上成功率达92.8%，在现实世界任务中达78.3%，同时实现了24.17 Hz的闭环控制。
τ_0-WM: 用于机器人操作的统一视频-动作世界模型
τ_0-WM是一个统一的视频-动作世界模型，用于机器人操作，它通过共享的视频扩散主干集成了策略学习、视频预测和动作评估。在具有挑战性的长周期和细粒度任务上表现出卓越性能。
世界行动模型：具身智能的下一个前沿
本综述论文介绍了世界行动模型（World Action Models，WAMs），这是一种将预测性状态建模与行动生成相结合的具身智能统一框架。该文提供了现有方法的分类体系，分析了数据生态系统，并概述了这一新兴范式的评估协议。
通过残差潜在动作学习基于视觉特征的世界模型
本文介绍了 RLA-WM，一种基于视觉特征的世界模型，该模型利用残差潜在动作与流匹配技术高效预测未来视觉状态。该方法性能优于现有的视频扩散与特征基方法，同时支持从离线、无动作演示视频中探索新型机器人学习技术。