6.0B 答 51.5%，57M 答 85.9%：这一周六篇世界模型论文，治的是同一个病

Fast-WAM 的论文标题本身就是一个反问句：「Do World Action Models Need Test-time Future Imagination?」——世界动作模型需要在推理时想象未来吗？

它给的答案是不需要。训练阶段保留视频建模作为联合监督信号，让视觉骨干学到有物理意义的运动结构；推理阶段把这一层整个扔掉，只取当前观测的干净 latent 做一次前向计算，动作直接从 latent 出来。世界模型的价值被压缩成「塑造表征的教练」，而不是「运行时的模拟器」。这个结论在 2026 年上半年被广泛接受——它省掉了未来采样的全部开销。

十月第一周，Long-WAM 在同一块硬件上给了反证。RTX 5090 上，Long-WAM 每个动作块的推理耗时 107.4 毫秒——而这 107.4 毫秒里包含了未来视频 latent 的预测。Fast-WAM 是 244.1 毫秒。

不预测未来的那一版，慢了一倍多。

一、六篇论文的开篇说的是同一句话

十月第一周，至少六篇以「World Action Model」命名的论文集中出现：FLEX-WAM（10 月 4 日）、RealtimeWAM（10 月 5 日）、ΔWAM（10 月 7 日）、Long-WAM（10 月 7 日）、HWAM（10 月 8 日）、LeWAM（10 月 8 日），外加 SkeleWAM。

但把它们的开篇并排放，会发现它们在描述同一件事。

FLEX-WAM 原文：「Joint training can nevertheless produce plausible futures that weakly respond to commanded actions.」——联合训练能生成看起来合理的未来，但那些未来对动作指令的响应很弱。

ΔWAM 原文：「much of the predictable future is dominated by appearance and scene persistence rather than action-dependent dynamics.」——可预测的未来里，绝大部分被外观与场景延续性占据，而不是动作依赖的动力学。

Long-WAM 原文：「access to history is not the same as using it.」——能访问历史，不等于会用历史。

LeWAM 说得更技术：重建式的未来表示带着噪声与冗余，会让下游预测变难。HWAM 讲的是另一层：层级人形系统里，策略输出的是参考动作，真正被执行的是经过全身控制、动力学、平衡与接触之后的结果，两者的偏差被它命名为「动作–执行鸿沟」。

五个切入点，同一个症状。而它和本专栏首季的判断相比，已经前移了一格。首季讲双系统架构时抄了 π0.5 自己承认的三种失效模式，当时的判断是：它们共同指向同一个缺失——策略没有一个显式的世界状态。问题出在「没有」。

现在的问题不是没有。这一周的论文全都有世界状态，全都预测未来。问题是这个「接下来」不听动作的话。 预测出来的未来主要由外观延续性驱动——墙还是墙、桌子还是桌子——而真正由动作引起的那部分变化只占很小的方差。模型学会了预测「世界会自己怎么继续」，却没学会预测「你这一下会让世界怎么变」。

本专栏世界模型的三种用法把 WAM 定义为「在补预测加动作这一层」。这一周给出的修正是：位置可以靠架构图宣布，敏感度只能靠监督信号和训练配方逼出来。

二、病灶被单独量化了

这几篇论文都把「动作响应性」当成可测量的对象，各自造了一把尺子。

FLEX-WAM 造的是前向动力学弹性——一个训练期代理指标，衡量采样出的未来对动作指令有多敏感，再把它当成约束去调节世界模型的采样。注意这是训练期的干预，不是推理期的补丁。

ΔWAM 造的是动作切空间（Action Tangent Fields）：把世界监督重新表述成「动作如何引起未来动力学变化」的局部一阶展开，再用一个强动作条件世界模型探出这个结构，蒸馏回 WAM。

第三方对 ForeWAM 的可视化更直观：把动作到图像的注意力图拉出来看，同一个「预测未来」的任务，Fast-WAM 的注意力更弥散、落在墙和背景上，ForeWAM 则集中到被操作物体和接触区域上。

这不是工程调参问题，是监督信号的定义问题。 「未来」这个标签里，绝大部分方差来自外观延续，只有极小一部分来自动作。把一份九成与动作无关的信号当成动作的监督去用，模型自然会学好预测的那九成。所有 WAM 都在同一个统计陷阱里，只是以前没人把它写进损失函数。

三、参数崩塌：换表示比堆参数管用

这一周最有杠杆效应的发现是一张横向表。同一个考卷 LIBERO-Plus（专门测相机、光照、背景、布局等分布外泛化），同一个基线 Fast-WAM（约 6B 参数），三个团队用三种不同的未来表示把它按在地上：

方法	参数量	LIBERO-Plus 平均成功率
Fast-WAM（基线，3 月）	约 6.0B	51.5%
RoboActualizer（9 月）	60M	63.1%
ForeWAM（8 月）	1.5B	77.6%
SkeleWAM（10 月）	57.1M	85.9%

三个团队各自重跑基线，报出的 Fast-WAM 都是 51.5%——跨论文一致本身就是个好迹象。而它们的共同点是：都不再要求模型生成未来的像素。

SkeleWAM 把操作场景压成稀疏三维骨架，57.1M 拿到 85.9%，参数比基线少约 105 倍、成功率高 34.4 个百分点。ForeWAM 在 1.5B 上跨过 77.6%，真机四个分布内任务平均 92.5%，比 Fast-WAM 高 42.5 分。RoboActualizer 走第三条：把一个冻结的 V-JEPA 2.1 编码器当固定读数头，上面只挂一个 60M 的扩散头，训练跑在单张 32GB 卡上，部署帧率超 25 Hz。

世界模型的能力瓶颈不在容量，在表示。 之前把未来当成一段要逐像素还原的视频，容量大半花在了墙壁纹理和光影上；换成骨架、JEPA latent 或「冻结编码器加小头」之后，同样一张考卷的分数直接上移两个台阶。三者的共同前提是：预训练的世界表征已经足够好，剩下要做的只是便宜地从中读出动作。

四、反证：把未来扔掉是假省钱

回到开头那道反转。Long-WAM 的核心实验在 RoboCasa GR-1 上：把上下文从 0.0 秒拉到 19.2 秒，成功率从 63.3% 升到 78.7%。而用双向预训练初始化的版本，从 0 到 19.2 秒显示「没有净增益」。 同一份历史，一种地基用得上，另一种用不上。

动态任务上更刺眼。动态叠杯子，Long-WAM 做到 95%；π0.5 和 Fast-WAM 在 20 次尝试里成功了 0 次。LIBERO-Long 上，预测未来视频 latent 的变体是 99.5%，去掉未来预测的变体是 94.5%。

这组数字顶翻了「不做未来想象更省」，还顺手解释了另一个长期靠工程补丁维持的东西：动作分块的平滑过渡。控制领域为此发展出推理期引导、前缀条件训练、去噪期混合一整套机制——Long-WAM 一个都没用。RoboTwin 2.0 上，它从同步切异步只掉 0.2 分，Fast-WAM 掉 15.4 分，LingBot-VA 掉 45.5 分。

所谓「动作分块不平滑」，可能不是工程问题，而是预测能力不足的症状——那些引导和混合机制，补的是一个不该存在的缝。

五、更狠的一层：地基选错了

这一周最长线的一击，是 Long-WAM 对当前主流 WAM 的地基提出的质疑。

它点名指出，DreamZero、LingBot-VA、Motus 都走同一条路：拿一个双向预训练的视频生成器，改造成因果的视频–动作预测。但双向预训练在视频阶段学的是「已知前后帧补中间缺失的帧」，而实时控制需要严格的因果预测——只能从过去推未来。前者能访问历史，但从没学过从历史预测。这就是为什么那些模型把上下文堆到 19 秒也没有收益：不是没用历史，是没学会用。

论文的替代方案是先做自回归预训练：不带动作标签，先在机器人和第一人称视频上学「从过去预测未来」这个时间分解结构，再保留到 WAM 适配阶段。用它的原话，建立在双向视频地基上的团队可能在持续支付一笔「隐藏税」。

这条判断的杀伤力在于适用范围：它不是某一篇的消融，而是对大半个 WAM 阵营的地基选择提出的质疑。本专栏首季第二篇的结论是世界模型与 VLA 互补，三种用法又说 WAM 在补「预测加动作」。现在这一层被翻出来了：补上预测之后，地基是因果还是双向，决定了历史到底有没有被用上。

六、人形机器人那层特殊的病

HWAM 是这一周唯一完全面向人形本体的论文，也是唯一把病灶定位在「系统层级」而非「监督信号」上的。

它的论证链是：通用人形操作需要任务级动作决策和执行级全身动力学控制两件事，所以系统必然分层——高层策略在运动学空间生成参考轨迹，底层全身跟踪控制器用实时本体反馈把它适配到真实动力学。这个分工让高层能从演示里学任务行为，并复用底层的全身协调能力。

代价是：策略输出的参考动作，和机器人真正做出来的动作，不是一回事。 全身控制、动力学、平衡、接触，每一步都可能让实际执行偏离参考。于是未来的视觉预测必须同时解释两件事——场景本身怎么演化，以及参考动作与真实执行的偏差。这两件事混在一个预测目标里，动作与物理结果的关联就被打断了。

HWAM 的解法是把执行后的本体感觉状态变成显式预测目标，让「执行过的运动」进入动作学习的监督。训练走三条互补路径，分别对齐部署条件、以前向动力学预测未来视觉观测、以逆向动力学从视觉转换反推轨迹。

成绩在逐际动力 LimX OLI 上：Candy Picking 70.6%（π0.5 62.5%、Fast-WAM 43.3%、GR00T N1.5 40.5%），Object Collection 46.7%，Plush-Toy Picking 73.3%——三个真机任务全部最高。

最有信息量的是消融。在移动式全身操作任务上只增加「联合状态–动作预测」这一项、其余不变：在 VGM/Policy 配方下成功率从 60.0% 掉到 45.5%；换成 FDM/IDM/Policy 配方，同样的改动从 55.0% 升到 73.3%。同一项改动的效应差 32.8 个百分点，取决于视觉训练配方怎么配。

这条对「给桌面臂设计的 WAM 直接搬到人形上」是最直接的警告：桌面臂的输出就是执行结果，人形不是。这正是双系统架构里那道频率鸿沟的必然代价——分层解决了 1 Hz 到 1000 Hz 的频率问题，代价是引入执行鸿沟。当时的失效清单指向「缺显式世界状态」；现在要补一条：有了世界状态之后，还要保证它对齐的是执行后的真实躯体，而不是发出的参考动作。

七、这一周真正的转折，和它没解决的事

三个信号确认「WAM」已从论文缩写变成架构里的层名。其一，论文标题把它当既定品类用——RealtimeWAM、Long-WAM、LeWAM、HWAM、FLEX-WAM、ForeWAM、SkeleWAM、EVO-WAM、CKT-WAM。其二，厂商架构直接拿它命名层：逐际动力 COSA 的 S1 技能层明确承载「VLA 与 WAM 模型」；小鹏 XPACE 把世界动作模型和世界模拟器放进统一架构，用 5,000 小时具身视频。其三，基线化：Fast-WAM 约 6B / LIBERO-Plus 51.5% 成了跨论文的统一对照。

但这一周的数据里也有一条冷水，来自论文自己。这些成绩全部建立在没有做大规模策略级预训练的前提下。ForeWAM 在分布内任务上比 π0.5 高 42.5 分，但在带物体属性扰动的分布外任务上平均只有 40.0%，而 π0 是 60.0%、π0.5 是 45.0%——分布内赢 42.5 分，分布外反而输。 另一头是 Meta 的三套物理推理基准（IntPhys 2、MVPBench、CausalVQA）：人类 85% 到 95%，包括 V-JEPA 2 在内的现有模型「远远不够」。

第一，这一周把「世界模型该怎么建模」从哲学问题降级成了工程问题。 换表示、改监督、对齐执行，三件事都在一周内被做成可复现的实验。但换表示能省 100 倍参数，省不掉数据。 分布外那一栏的输，靠的是大规模策略级预训练，那是钱和真机时间堆出来的。

第二，这些成绩仍然全是「自己报自己的数字」。 本专栏在仿真引擎之战和脚手架那篇里反复用 RoboDojo 那份 42 道题的统一基线做参照，因为它是少数几个人类与模型在同一条起跑线上的公共考场。这一周的 WAM 论文没有这个待遇：每个团队各自重跑基线、各自选扰动类别。LIBERO-Plus 上 Fast-WAM 51.5% 三篇一致是个好信号，但它仍然只是「大家都同意拿这个数字当参照」，不是统一评测。当同一周冒出六七篇论文抢同一个问题时，最缺的往往不是想法，是一把公认的尺子。

信息源说明：本篇论文原文均来自 arXiv 预印本（HWAM arXiv:2610.12026，逐际动力与南方科技大学，「under review」未经同行评审；Long-WAM arXiv:2610.10528；LeWAM arXiv:2610.12407；FLEX-WAM arXiv:2610.05483；ΔWAM arXiv:2610.09734；RealtimeWAM arXiv:2610.06617；SkeleWAM arXiv:2610.02120；RoboActualizer arXiv:2609.36413；ForeWAM arXiv:2608.11605），属作者自发布的一手材料，训练配方、基线复现与成功率口径由作者自设，未见独立复现，本篇按其一手的强度引用并同时标注这一限制；Fast-WAM 出自 arXiv:2603 系列，本篇将其视为基线方而非本周新进展。逐际动力 COSA 的 S0/S1/S2 三层职责与 LimX OLI 的 31 自由度配置，引自厂商官方发布与公开报道的转述；小鹏 XPACE 的「世界动作模型加世界模拟器统一架构、5,000 小时具身视频」引自 2026 年 10 月 6 日公开的券商研究报告，属第三方分析口径。Meta 三套物理推理基准与 V-JEPA 2.1 的密集预测损失，引自第三方技术汇总与 Meta 官方公开资料，其中「基准领先、实验室零样本、生产可用是三个不同结论」这一分层判断属本专栏分析。表格数字为各论文在自有试验协议下给出，跨论文并列存在协议差异。