LAWM：为什么动作标签会成为负担

一句话判断

LAWM：为什么动作标签会成为负担

论文解决什么问题

机器人学习有个几乎没人质疑的默认假设：监督信号越准越好。要教模型做动作，当然应该拿真实动作标签去训练它。

核心方法

LAWM测出来的结果是反的。

实验结果

同样一批数据，一组用BridgeData的真实动作标签做监督预训练，另一组完全不给标签、只让模型预测视频的下一帧。后者赢了。而且赢它的那一组里，还有一个更极端的变体：只用人类视频——没有一条机器人能直接执行的动作——真实任务成功率从84%涨到94%。

问题出在哪？

作者的解释是：拿动作标签做预训练，等于强迫模型学一件很具体的事——**这个机器人、这段轨迹、这个任务设置下，看到这幅画面该输出什么数值**。模型会把大量容量花在拟合这套特定映射上。而预测下一帧逼模型学的是另一件事：**推一下会倒、松手会掉、这个角度够不着**。前者绑死在特定本体上，后者是物理世界本身的规律，换个机器人依然成立。

标签越准，绑得越死。

这解释了另外两个数字为什么会出现。第一个：7M参数的小模型配上这套预训练，打平了7B参数的同类方法——如果学到的是通用动力学而非特定映射，确实不需要那么大容量去死记。第二个：20个演示配预训练(77%)，超过50个演示从零训练(70.5%)——专家数据的作用被重新定位了，它不再负责"教会模型动作是什么"，只负责把已经理解物理的模型对齐到具体动作空间，这件事不需要那么多样本。

这篇论文不是什么

作者自己列了三条没解决的：像素重建这个训练目标会奖励"画面像"而不是"任务相关动态"，模型可能学到背景捷径；只用了单视角，没有本体感知和夹爪状态；最关键的是，当前只用了数据集的10%，成功率已经出现平台期——继续加数据能不能突破，论文明说了不知道。真实验证也只有单臂5个任务。

对机器人 / 世界模型 / VLA 的启发

💡这条线索在库里已经反复出现

同一个判断，不同团队用完全不同的方式撞上了：T-Rex走的是三阶段配方（2.29万小时人类视频打底，100小时触觉数据grounding）；星海图Fast-WAM发现世界模型的能力主要来自训练时学到的表征，推理时的画面预测可以直接砍掉；库里还有工作测出"人类视频+1次机器人演示"就能超过纯机器人数据基线。

值得注意的是这些工作彼此并不知道对方在做什么，路线也不同，但都指向同一件事：**机器人真正缺的可能不是动作标签，是把规模大得多的"非动作数据"转化成可执行能力的方法。**

不过也别急着把它当定论。同样在库里，LAWM"小模型统一学"的结果支持自变量WUM那个"统一网络优于模块拼接"的赌注，而T-Rex的结论恰恰相反——它坚持触觉必须走独立通路，反对机械融合。同一个"要不要一个模型全包"的问题，两篇论文站在了不同侧。分歧的实质可能不是谁对，而是：哪些东西该统一（世界的物理规律），哪些东西不该（时间尺度差几个数量级的感知信号）。

论文关键页