推理时不用想象未来，机器人照样跑到91.8%！Fast-WAM拆穿了WAM的核心假设

一句话判断

训练视频目标，比测试时想象未来更关键

论文解决什么问题

WAM（世界动作模型）的主流设计背后有个默认假设：让机器人在执行前先“想象”未来画面，再据此决策。整个行业都在顺着这个思路卷。Fast-WAM做了一件少见的事：用受控实验拆穿这个假设。

核心方法

实验设计很干净，四个变体只改一个因素：
· Fast-WAM：训练时保留视频协同目标，推理时完全不生成未来帧，单次前向出动作
· Fast-WAM-Joint：训练和推理都联合去噪视频与动作
· Fast-WAM-IDM：先生成未来视频，再预测动作
· 无视频co-training：去掉视频训练目标，其余保持不变

换句话说，它不是问“世界模型有没有用”，而是把训练时的视频建模和推理时的未来想象拆开，单独看哪个才是真正贡献。

实验结果

RoboTwin结果：91.8% vs 90.6% / 91.3% vs 83.8%。
LIBERO结果：97.6% vs 98.5% / 98.0% vs 93.5%。

↳ 推理时想不想象未来，差距微乎其微；但移除训练时的视频目标，掉幅是前者的数倍。

真实世界证据更直白。Galaxea R1 Lite上的毛巾折叠任务里，移除视频co-training的变体成功率只有10%，完成时间也最长；三个保留视频co-training的变体之间差异有限。训练时不学习视频预测，才是真正的致命伤。

不想象未来还有额外红利：Fast-WAM推理延迟190ms，而先生成视频再决策的Fast-WAM-IDM需要810ms。4倍以上的速度差，足够支撑实时控制。

这篇论文不是什么

这不是“推理时未来想象永远没用”的结论。Fast-WAM为控制变量省略了外层自回归rollout循环，聚焦单动作块生成；当前实验平台也主要是LIBERO、RoboTwin 2.0和一个真实毛巾折叠任务。大规模具身预训练数据和更大模型加进来后，这个结论是否仍成立，还没有答案。

对机器人 / 世界模型 / VLA 的启发

Fast-WAM把问题从“机器人要不要先想象未来画面”推进到“视频预测目标到底在什么时候发挥价值”。它给出的答案很实用：真正重要的可能不是推理时生成未来帧，而是训练时用视频目标塑造世界表征。对工程系统来说，这意味着可以保留世界建模带来的表征收益，同时删掉昂贵的测试时视频生成，把延迟和部署复杂度降下来。

论文关键页