清华 Simple-WAM:一次前向替代视频去噪,世界动作模型泛化两全其美
Tsinghua-LeapLab · hf · 2026-09-30
清华LeapLab团队研究世界动作模型(WAM)推理时是否还需要显式生成未来帧。
核心发现
- WAM 在训练中同时预测未来与动作,但视频去噪计算成本高:显式 WAM 推理时把未来去噪成干净帧,Latent WAM 则完全丢弃以加速。
- 实验显示 Latent WAM 在分布内任务上与显式版打平,却在环境扰动、数据效率、任务泛化三个维度上全面退化,失去 WAM 原本动机中的泛化收益。
- 分析表明差距几乎全部来自第一个去噪步:收益来自「为未来做准备」,而非真正生成未来。
Simple-WAM 方法
- 把未来建模简化为对完全加噪视频 token 的一次前向传播,并调整训练噪声 schedule 匹配该推理行为。
- 在仿真与真实任务上,Simple-WAM 泛化优于显式 WAM,推理效率与 Latent WAM 相当,兼得两者优势。
项目主页:zrporz.github.io/Simple-WAM-Web
「具身」频道最新
- 扑翼无人机在空军测试中被探测系统误判为鸟 — import_jmr · 2026-11-16
- Uber 在拉斯维加斯上线 Amazon 旗下 Zoox 无人驾驶出租车服务 — Polymarket · 2026-11-16
- 蚂蚁灵波具身大模型挑战赛收官:TARS战队48小时真机对决夺冠 — 新智元 · 2026-11-16
- 特斯拉 FSD 城市街道里程破 70 亿英里,四周新增约 5 亿 — XFreeze · 2026-11-16
- Ropedia 发布 Xperience 2:1500+ 真实场景扫描配第一人称演示 — liuziwei7 · 2026-11-16
- 杭州群核联合华测发布 3D 激光扫描仪 Aholo MS07 — teortaxesTex · 2026-11-16