世界模型之Faster-WAM详解：不让机器人“忘掉未来”——怎样把世界表征留在推理期，又把延迟降到一半以下

猫先生Mr.Mao

97人浏览 · 2026-08-06 21:41:05

猫先生Mr.Mao · 2026-08-06 21:41:05 发布

写在前面

【从零走向AGI】旨在深入了解通用人工智能（AGI）的发展路径，从最基础的概念起，逐步构建完整的知识体系。
项目地址🔗：https://github.com/AI-mzq/From-Zero-to-AGI.git

魔方AI空间
猫先生
从零走向AGI
面试面经

AIGC算法岗/开发岗面试面经交流社群（涵盖AI Agent、AIGC图像创作、AI视频、LLM大模型、AI多模态、数字人、传统深度学习、具身智能等AIGC面试干货资源）欢迎大家加入：https://t.zsxq.com/YtJ09

导读

World Action Model（WAM）希望机器人在出动作前，不只看见当下，还能利用“物体接下来可能怎样变化”的内部表征。困难在于：若每一步动作去噪都与未来视频分支联合更新，鲁棒性可能更好，但推理成本很高；若部署时彻底删掉未来分支，速度上来了，面对光照、相机、背景等分布变化时又容易失去时间线索。

Faster-WAM 的立场很明确：未来表征不应只作为训练损失，它在推理期仍是鲁棒控制的条件信息。 它不再逐步生成完整未来视频，而是在高噪声未来 latent 上让视频专家只跑一次，缓存各层的 K/V 表征；动作专家在 10 步 flow matching 积分中复用这份缓存，并只在少数层读取它。

两项实现支撑这个折中：SparseMoT 把跨分支注意力限制在间隔层；Interval KV-Fusion 将一个间隔内多层视频 K/V 融合成同长度的一对 K/V，不拉长注意力序列。论文在 LIBERO-Plus 上报告 73.57% OOD 成功率，相比 Fast-WAM 的 49.14% 高出 24.43 个百分点；在 NVIDIA L20 的受控延迟测量里为 252.95 ms，是 Joint-WAM 的 2.21 倍加速。论文原文

猫先生认为，Faster-WAM 的价值不在于“再生成一段视频”，而在于把视频模型中已经包含的未来感知 K/V 当作可复用的控制记忆：保留它，但严格控制它被读取的频率。

论文标题：Faster-WAM: Efficient Inference-Time Future Conditioning for Robust World Action Models

论文地址：https://arxiv.org/abs/2608.04404

原文脉络

文章依次完成四件事：先用同一实现下的 Joint-WAM 与 Fast-WAM 对比说明，推理期删除未来条件会显著伤害 OOD；随后回顾 VLA 与 WAM 的两条路线；方法部分提出一次性未来条件、SparseMoT、Interval KV-Fusion 与联合 flow matching；实验则覆盖 LIBERO、RoboTwin 2.0、LIBERO-Plus、真实双臂任务、延迟分解和消融。

1-2. 背景与相关工作：未来视觉到底该不该留到部署时

常规 VLA 主要把当前图像、语言和本体状态映射为动作。WAM 额外建模交互后的视觉演化，因此动作分支可以借助时间结构。现有路线在部署时形成了两端：Joint-WAM 在每一次去噪里联合更新未来视频与动作，信息最充分，却反复支付视频计算与跨分支注意力；Fast-WAM 则将未来建模留在训练期，部署时不再放入未来 temporal slots，延迟更低。

论文的 Figure 1 不是装饰性的总览，而是整篇文章的出发证据。在标准分布内，三种模型差距很小；到分布外，去掉未来条件的 Fast-WAM 明显下滑。Faster-WAM 由此选择第三条路：未来表征仍在场，但不再以“每步都重新联合去噪”的形式在场。

推理期未来条件的动机证据
图 1：标准分布内、分布外成功率和推理延迟的并列对比。Fast-WAM 用删除未来条件换取效率，却在 OOD 上损失明显；来源：论文 Figure 1。

这份对比支持的是一个受控结论：在作者统一的视频骨干、数据、tokenization 和动作采样设定中，未来条件的保留与 OOD 鲁棒性相关。它并不证明任何未来生成都必然有用，更不等于已建立所有 WAM 的普适因果结论。

3. 方法：一次视频前向，供多步动作去噪反复读取

3.1 整体框架：把联合生成改成可缓存的条件接口

在控制时刻 $t$ ，策略输入图像 $o_t$ 、语言 $l$ 、本体状态 $s_t$ ，输出长度为 $H$ 的动作块 $A_t$ 。视频专家来自 Wan2.2-5B 的 Video DiT，动作专家是 30 层、隐藏维度 1024 的 Transformer；语言和本体状态同时作为两边条件。视觉序列有 9 帧，动作块有 32 个动作。

关键约束是非对称信息流：未来视频 slot 可以读取当前帧锚点和其他未来 slot；当前帧锚点不能读取未来 slot。动作 query 可读取视频特征，视频 query 不读取动作 token。于是视频侧的层级 K/V 与不断变化的动作轨迹无关，可以在动作积分前构造一次。

Faster-WAM 框架与联合推理对比
图 2：左侧为视频专家、Interval KV-Fusion 与动作专家组成的 Faster-WAM；右侧对比 Joint-WAM 的 $N$ 次密集联合更新，以及 Faster-WAM 的一次 K/V 缓存加 $N$ 次稀疏条件动作更新；来源：论文 Figure 2。

在部署时，作者把未来视频 slot 初始化为高斯噪声，在视频 flow 时间 $\tau_v=1$ 仅执行一次视频专家，收集每层注意力 K/V；之后不再更新、更不解码这些未来视频 latent。它们被压成动作可读的未来条件接口 $\hat C^v_{t,1}$ 。

猫先生认为，这套设计有一个很实用的判断：控制不一定需要像素级未来视频，可能只需要生成器在“推断未来”时形成的中间状态。 这也解释了为什么缓存对象选 K/V，而不是将预测帧再编码回动作网络。

3.2 SparseMoT：让所有动作层工作，但只让少数层跨分支通信

普通 Mixture-of-Transformers（MoT）会在 $L$ 个对齐的视频—动作层全部做跨分支注意力。Faster-WAM 选择一个交互集合：

$\mathcal{J}=\{j_1,\ldots,j_M\}\subseteq\{1,\ldots,L\}。$

只有 $j_m\in\mathcal{J}$ 的动作层读取融合后的未来 K/V；其余层保留动作 self-attention、残差和前馈更新，用动作状态传递先前注入的未来信息。论文采用 30 层动作网络、每 4 层交互一次，即 $M = 8$ ，而非让 30 层都做跨分支读取。

这一点很容易被误读成“跳过了动作层”。实际被稀疏化的是昂贵的video-action interaction，不是动作专家的深度计算。所有动作层仍参与去噪，只是中间层做较轻的 action-only refinement。

3.3 Interval KV-Fusion：不增加注意力长度地保留多深度未来信息

如果稀疏交互层只读取自己同深度的视频 K/V，中间视频层的信息会丢失；若直接串接一个间隔的所有 K/V，又会把 action attention 的上下文加长。Interval KV-Fusion 对每个交互层分配前一个深度区间 $I_m$ ，以 softmax 归一化权重将该区间 K/V 加权为一对同形状 K/V：

$(\bar K^v_{j_m},\bar V^v_{j_m})= \sum_{j\in I_m}W^{\text{fuse}}_{m,j}(K^v_j,V^v_j)。$

融合后，动作层读取的 token 长度仍等于一个视频层的长度，却获得了多个深度阶段的摘要。SparseMoT 决定“何时读”，KV-Fusion 决定“每次读到哪个深度区间的内容”，两者针对的是不同的效率损失。

3.4 联合训练与推理：两个 flow 时间独立采样

视频 latent 和动作都采用 flow matching。训练时分别采样视频和动作时间 $\tau_v,\tau_a$ ：

$Z_{t,\tau_v}=(1-\tau_v)Z_t+\tau_v\epsilon_t^v, \qquad A_{t,\tau_a}=(1-\tau_a)A_t+\tau_a\epsilon_t^a。$

总损失是视频与动作两个、带时间权重的 MSE flow loss 之和。两个时间独立采样，使动作网络在各种“视频噪声程度 × 动作噪声程度”的组合下学习使用未来条件。测试阶段用 10 次积分和 guidance scale 1.0；缓存只构造一次，随后供每个动作 flow step 重用。

4. 实验：把“更快”拆成鲁棒性与延迟两项证据

4.1 标准基准：LIBERO 与 RoboTwin 2.0

LIBERO 四个任务族上，Faster-WAM 平均成功率为 99.0%，高于受控的 Joint-WAM（98.5%）和 Fast-WAM（97.6%）。RoboTwin 2.0 的 clean / randomized 平均为 92.6%，也略高于 Fast-WAM 的 91.9%。这些分数接近饱和，因而更重要的问题转到分布变化时是否仍能保持优势。

LIBERO-Plus 直接对在 LIBERO 训练的策略施加 7 类未见变化：相机、机器人初始状态、语言、光照、背景、传感器噪声和布局。Faster-WAM 的均值为 73.57%；Joint-WAM 为 66.27%，Fast-WAM 为 49.14%。作者还训练了结构相同、但不含显式 future temporal slots 的 C-O Faster-WAM，均值仅 51.00%。这组消融比“Faster-WAM 比 Fast-WAM 高”更有针对性：它将未来条件的贡献从架构差异中部分剥离出来。

4.2 真实双臂任务：常规成功率与 OOD 变化

真实平台使用两台 Piper 6-DoF 机械臂，覆盖 Pick Strawberries、Build Tower、Store Boxes、Stack Plates，每个任务 400 条示范。常规条件下 Faster-WAM 四项平均成功率为 95.8%，高于 Joint-WAM 的 90.8% 和 Fast-WAM 的 88.3%。

真实双臂常规任务结果
图 3：四个真实双臂操作任务的成功率；绿色 Faster-WAM 在四项任务均最高；来源：论文 Figure 3。

Pick Strawberries 的 OOD 设置进一步更换背景、改变光照、加入未见干扰物。Fast-WAM 从标准条件的 96.7% 降到三种未见条件平均 45.6%；Joint-WAM 为 55.6%；Faster-WAM 达到 71.1%。这与 LIBERO-Plus 的方向一致，但样本规模、置信区间与显著性检验没有在论文中展开，不能仅凭柱图将差距外推到所有真实操作场景。

真实机器人 OOD 条件与结果
图 4：同一抓草莓任务在标准、背景变化、光照变化和未见干扰物下的成功率；来源：论文 Figure 4。

4.3 延迟与组件消融：稀疏不是越少越好

作者在 NVIDIA L20、224×448 输入、10 步去噪下报告：Joint-WAM 总延迟 559.84 ms，Fast-WAM 320.97 ms，Faster-WAM 252.95 ms。Faster-WAM 的一次视觉上下文构建确实更慢（43.04 ms 对 27.67 ms），但动作去噪部分从 276.56 ms 降到 192.11 ms，抵消了前者。

消融也排除了一个直觉误区：不是交互越稀疏越好。密集交互（stride 1）在 LIBERO-Plus 为 69.78%，stride 2 为 71.65%，stride 4 为 73.57%，再稀疏到 stride 7 / 14 又分别降至 71.05% / 70.05%。因此论文更准确的结论是：未来上下文需要被多次注入，但频率存在任务与架构相关的甜点区。

5. 讨论、局限与可复现性

Faster-WAM 依赖一个很大的视频生成先验（Wan2.2-5B）以及 30 层动作专家。论文报告了端到端延迟，却没有给出显存、吞吐、能耗、不同 GPU 或不同动作积分步数下的完整成本曲线；“更快”应理解为给定 L20 与 10 步设定下对两种受控基线的结果。

此外，作者在真实机器人上展示了四个任务和若干变化条件，证据很有价值，但覆盖面仍有限。SparseMoT 的交互层位置由固定 stride 决定，论文也把“学习式选择交互层”列为后续方向。公开的 arXiv v1 页面仅标注 hustvl/FasterWAM 为 Code & Models，未给出可核验的公开仓库链接；复现实验前仍需等待代码、模型权重及完整训练配置。