action-learning

该论文发现，世界动作模型的表征中持续存在高范数空间离群值，并提出了 RegisterWAM。该方法引入可学习的非空间寄存器，结合观测流匹配损失监督，重新组织与动作相关的信息，在不使用额外具身预训练数据的情况下，在 LIBERO-Plus 和 RoboTwin 2.0 上分别实现了 81.64% 和 93.0% 的成功率。

NAVA-WAM 通过从纯观察视频直接预训练动作策略（原生动作先验学习），结合流匹配监督与转移结构化联合注意力，避免了间接的表征-控制转移和独立的隐动作模型，仅需少量动作标注即可实现高效的机器人控制与跨域泛化。