Long-WAM：扩展世界动作模型的上下文能力

论文提出 Long-WAM，一套面向实时机器人控制的世界—动作模型框架，重点研究如何利用更长的视觉历史而不牺牲控制延迟，关注价值在于连接长时程记忆与在线操作。

• 在 RoboCasa GR-1 上，将上下文从 0 秒增加到 19.2 秒后，成功率由 63.3% 提升至 78.7%。
• 论文称，双向预训练初始化并未带来同等收益，说明历史长度本身不等于有效利用历史。
• 通过流式编码、异步执行和硬件加速，RTX 5090 上每个动作块包含未来视频预测的耗时为 107.4 毫秒。
• 在动态叠杯实验中，Long-WAM 达到 95% 成功率，而对比的 Pi0.5 和 Fast-WAM 在 20 次试验中均未成功。
• 影响/看点：如果这些结果能在更多机器人、任务和控制频率下复现，长上下文可能成为长时程操作的有效组成部分；但当前数字来自论文选定基准和设备，不能直接等同于普遍性能优势。
• 资料依据:
• Long-WAM 论文（2026-10-07）：https://arxiv.org/abs/2610.10528
• Long-WAM DOI 记录（2026-10-07）：https://doi.org/10.48550/arXiv.2610.10528

本内容由 AI 生成，仅供参考，请注意甄别