CausalWAM 用稀疏路由分离动作因果变量，摆脱时间独立性假设
causal-intelligence · hf · 2026-11-02
UIUC 与 UCSD 的论文研究世界动作模型（WAM）中的因果结构问题：WAM 从观测学习隐变量来预测场景演化并生成动作，但演示数据拟合的模型并不保证只从动作的真实因果隐变量生成动作，可能把与动作无关的隐变量纠缠进来。
- 理论结果：作者证明在稀疏性约束下，用于生成动作的隐变量是动作相关隐变量的可逆函数，真实结构在隐变量置换意义下可识别——且不需要时间独立性假设，也不要求动作相关隐变量与其余变量统计独立。
- 方法：提出 CausalWAM，通过在动作头加入稀疏路由路径，把该约束融入预训练 WAM，同时保持世界建模目标不变，从而隔离出动作相关的潜变量、确保可识别的因果结构。
「具身」频道最新
- Neuralink 四年从猴控光标到瘫痪者意念打字与合成语音 — XFreeze · 2026-11-02
- 开发者质疑副语音识别设备:长期用会让你的声音退化到零分贝 — itsOmSarraf_ · 2026-11-02
- 港中文 CaPtain-4B 用代码即策略做机器人操作，LIBERO-PRO 得分 78.3 — CUOHK · 2026-11-02
- 斯坦福 RoboArchitect 自动设计机器人 Harness，未见场景成功率 9.7%→43.3% — Shengguang Wu · 2026-11-02
- 富士康得州工厂已部署超10台人形机器人，用NVIDIA GR00T开发 — CyberRobooo · 2026-11-02
- 贴「Beware of Dog」警示的竟是宇树机器狗,备用狗在充电 — yassineyousfi_ · 2026-11-02