WAM综述：预测如何服务控制

一句话判断

WAM综述：预测如何服务控制

论文解决什么问题

WAM把未来世界预测与可执行动作生成连接起来。但预测什么、动作怎么接、数据怎么用、最终怎么评估，是几层不同的选择。这篇综述的价值，是把这些设计放进同一套框架，帮助工程师判断方法能否复用。

核心方法

↳ ① 建模：联合预测，同时生成未来状态和动作；逆动力学，先预测未来状态，再从状态变化推断动作。综述没有判定哪条路线普遍更好。

↳ ② 架构：共享主干强调统一表示与联合训练；双系统把世界模块和动作模块分开，通过中间接口连接，便于分别适配，但接口设计更复杂。建模路线与模块怎么组织，需要分别比较。

↳ ③ 数据：互联网和人类视频主要提供视觉动态、运动与交互先验；机器人轨迹提供观测、动作和结果的对应关系。规模更大的视频数据，仍需经过动作对齐才能接到控制上。冻结参数、对齐层或残差动作头，都是保留先验的适配方式。

实验结果

世界模型追求预测准确，策略追求更高回报，两个目标并不天然一致。作者提醒，联合优化可能产生过度乐观、被策略利用的未来预测。分开训练世界模型与策略是一条路线，但模型偏差和模块协调问题仍然存在。

这篇论文不是什么

⚠️ 部署时，三种“好”不能画等号
· 画面逼真，不证明动作可执行；轨迹误差低，不保证闭环安全；成功率高，也不能单独解释收益来自预测还是策略先验。
· 二维视频连贯，不保证几何、遮挡和多视角一致，错误会传到规划与动作解码。
· 多步采样、想象轨迹和动作解码都会延迟反馈。采样步数、预测时域、候选轨迹数、重规划频率，必须一起算进控制时延。

对机器人 / 世界模型 / VLA 的启发

💡 和OpenWAM放在一起看
OpenWAM在其评测中发现：没有具身预训练时，单向信息流略占优；加入预训练后，双向互通的优势才显现。这给综述的分类补上一个条件：架构优劣会随预训练条件改变，不能只凭“统一”或“解耦”选边。

半年后回看，值得检验的是：固定数据和算力预算，分开优化世界与策略，能否减少模型偏差引起的真实执行退化。这个结果，才有助于判断分离优化的价值。

论文关键页