AliveRiver

外观

Faster-WAM_ Efficient Inference-Time Future Conditioning for Robust World Action Models

约 5716 字大约 19 分钟

RobotWorld ModelWorld Action Model

2026-09-11

Faster-WAM_ Efficient Inference-Time Future Conditioning for Robust World Action Models

一句话总结

Faster-WAM 要解决的是 WAM 的效率–鲁棒性两难：Joint-WAM 推理时保留未来表征，OOD 更好但太慢；Fast-WAM 推理时丢掉未来，ID 仍高、OOD 会崩。本文证明，推理时显式使用未来表征对 OOD 鲁棒性是必要的。具体做法是：利用“高噪声视频潜变量仍含控制相关未来信息”，视频流匹配只在噪声端点前向 1 次；再用非对称注意力让该未来 K/V 与动作轨迹解耦并缓存。动作流匹配仍逐步去噪，但通过 SparseMoT 只在部分层读取未来；Interval KV-Fusion 把各交互区间的多层 K/V 聚合成紧凑上下文，从而在稀疏交互下保住多深度未来信息。结果是 OOD 明显强于 Fast-WAM，同时比 Joint-WAM 更快。

摘要以及引言部分

figure1 图1：推理时的未来条件对鲁棒的WAM至关重要。与Joint-WAM（一种代表Joint-WAMs的受控实现）相比，Fast-WAM通过在推理时移除未来条件来提升效率，但在分布偏移下性能显著下降。受这一发现启发，Faster-WAM高效地保留了推理时的未来条件，以更低的延迟实现了强大的OOD鲁棒性。

世界动作模型（World Action Models, WAMs）通过学习环境在当前观测之外如何演化，从而提升机器人操作能力 现有方法面临一个根本性两难：Joint-WAM 在推理阶段保留面向未来的表征，但计算开销过高；而高效替代方案则在推理时去掉未来建模，可能因此丧失时序推理所带来的鲁棒性收益 本文重新审视未来表征在 WAM 中的作用，并表明：推理时未来条件化（inference-time future conditioning）对于分布偏移下的泛化至关重要。

提出 Faster-WAM：一种高效的未来条件化 WAM，它在保留未来表征的同时，避免了昂贵的视频–动作交互,引入一种稀疏未来条件化框架，仅计算一次未来表征，并在动作去噪过程中选择性地复用它们。 提出 SparseMoT，用在少量网络阶段进行选择性视频–动作交互，替代无处不在的逐层融合 提出 Interval KV-Fusion，在不增加注意力复杂度的前提下聚合多层深度的未来表征

在分布偏移条件下（模型训练时见过的场景分布，和测试时面对的场景分布发生了变化）评估了各类 WAM，并观察到：在推理时移除未来表征会显著损害鲁棒性。具体而言，如图 1 所示，相较 Joint-WAM，Fast-WAM 在分布外（OOD）设置中出现明显性能下降。这表明，未来表征不仅是辅助训练目标，更是可泛化时序知识的重要来源。这一发现引出了 WAM 的新设计原则： 未来表征应在推理时予以保留，但其与动作预测的交互必须变得有选择且高效。

提出 Faster-WAM：一种高效的未来条件化世界动作模型。它在保持推理时未来条件化的同时，重新设计了视频–动作交互——不再反复执行视频分支，而是只计算一次未来表征，并在动作去噪过程中通过缓存的中间表征加以复用

引入两种互补机制：

  • 第一，SparseMoT 将视频–动作交互集中在少量阶段，并在相邻交互之间进行轻量的纯动作精炼，从而减少不必要计算。
  • 第二，Interval KV-Fusion 在每个交互区间内聚合来自多个视频深度的未来表征，在不增加注意力复杂度的前提下提供更丰富的时序信息。

贡献总结如下：

  • 我们将推理时未来条件化识别为影响 WAM 泛化的重要因素，表明未来表征除作为训练目标外，还能提供额外鲁棒性。
  • 我们提出 Faster-WAM，这是一种通过稀疏且高效的视频–动作交互，在推理时保留时序表征的未来条件化框架。
  • 我们引入 SparseMoT 与 Interval KV-Fusion，使模型能够选择性地访问多层次未来表征，而无需承担稠密交互的计算代价。
  • 大量实验表明，该方法在分布内与分布外基准上均取得最先进性能，同时提升了推理效率。

方法

figure2 图2：Faster-WAM概览。(a) Faster-WAM的整体框架，其特点是采用SparseMoT进行选择性的视频-动作交互，并采用Interval KV-Fusion来聚合多层次的未来表征。(b) Joint-WAM与Faster-WAM的推理对比，将迭代式密集耦合与单次未来上下文缓存及稀疏交互进行对照。

问题定义

在控制步 (t)，策略观测到图像 (o_t)、语言指令 (l) 以及本体感觉状态 (s_t)，并预测长度为 (H) 的动作块 (A_t = a_{t+1:t+H})。由参数 (\theta) 刻画的 WAM，通过内部视觉接口定义其动作策略：

πθ=pθ(At∣st,l,Rtv),(1)\pi_\theta = p_\theta(A_t \mid s_t, l, R^v_t), \tag{1}

其中 (R^v_t) 是视频分支由当前观测 (o_t) 得到的内部视觉表征。记 (E_v) 为视觉编码器，(z^0_t = E_v(o_t)) 为当前观测潜变量，(Z_t) 为未来视频潜变量

Joint-WAM（Ye et al. 2026; Bi et al. 2025）联合更新未来视频状态与动作状态，从而在第 (k) 步得到不断演化的视频表征：

Rt,kv,joint=Gv ⁣(zt0,Zt(k),l).(2)R^{v,\mathrm{joint}}_{t,k} = G_v\!\left(z^0_t, Z^{(k)}_t, l\right). \tag{2}

这里 (G_v) 表示视频侧表征映射

Fast-WAM（Yuan et al. 2026）则在推理时去掉未来槽位：

Rtv,fast=Gv ⁣(zt0,l).(3)R^{v,\mathrm{fast}}_t = G_v\!\left(z^0_t, l\right). \tag{3}

由此得到的接口可在整个动作生成过程中复用，但其构建并不包含显式的未来时序槽位

Faster-WAM 则通过一次视频专家前向，构造固定的面向未来接口 (R^v_t)，并在动作生成中通过稀疏交互加以复用（图 2(b)）

Faster-WAM

总体概述

如图 2(a) 所示，Faster-WAM 通过混合 Transformer（Mixture-of-Transformers, MoT）架构，将由预训练视频生成器初始化的视频专家与动作专家耦合起来。该架构包含 (L) 个对齐阶段，每一阶段对应一对视频层与动作层。语言与本体感觉作为共享条件信号，同时提供给视频专家和动作专家。一次视频前向会生成逐层注意力的键/值（K/V）层级。Interval KV-Fusion 再将其转换为面向动作的紧凑摘要，由 SparseMoT 在选定阶段暴露给动作分支，其余阶段则用于纯动作精炼。

单次前向的未来条件化

已有工作表明，即便不去完整个去噪过程，也能从高噪声视频潜变量中提取与控制相关的状态。

两个分支都用流匹配（flow matching）来形式化，取 (\tau=0) 为干净数据、(\tau=1) 为高斯噪声，并将视频流时间 (\tau_v) 处的插值未来潜变量记为 (Z_{t,\tau_v}) 为把这些线索提供给动作专家，我们在流时间 (\tau_v) 处保留每个视频注意力块的键/值投影 (K^v_{t,\tau_v,j}) 与 (V^v_{t,\tau_v,j})，其 token 布局和形状在各深度上共享。将它们收集起来，得到

Ct,τvv={(Kt,τv,jv,Vt,τv,jv)}j=1L.(4)C^v_{t,\tau_v} = \bigl\{(K^v_{t,\tau_v,j}, V^v_{t,\tau_v,j})\bigr\}_{j=1}^{L}. \tag{4}

这一原始 K/V 层级，就是后续构造面向动作接口的来源 为使其可在多个动作流步上复用，我们在视频流内部采用非对称注意力：未来槽位可以关注干净锚点以及彼此，而锚点不能关注未来槽位 在专家之间，动作 query 可以读取视频特征，而视频 query 不能读取动作 token 推理时，将 (Z_{t,1}) 设为高斯噪声 (\varepsilon^v_t)，即可通过一次视频前向得到固定的原始层级 (C^v_{t,1})。

SparseMoT

SparseMoT 通过把视频读取限制在交互集合上来降低这一重复开销：

J={j1,…,jM}⊆{1,…,L},1≤j1<⋯<jM≤L.(5)\mathcal{J} = \{j_1,\ldots,j_M\} \subseteq \{1,\ldots,L\},\quad 1 \le j_1 < \cdots < j_M \le L. \tag{5}

我们按固定层间隔选择 (\mathcal{J})，并在每个动作流步上复用同一集合；因此 (M) 表示每次动作评估中读取视频的阶段数，当 (M=L) 时即退化为稠密 MoT。

为简化记号，下面考虑固定的控制步 (t)、视频流时间 (\tau_v) 与动作流时间 (\tau_a)，并省略这些下标。令 (Qa_j)、(Ka_j)、(V^a_j) 表示第 (j) 阶段动作 token 的 query、key 与 value 投影。在 (j_m \in \mathcal{J}) 处，((\widehat{K}^v_{j_m}, \widehat{V}^v_{j_m})) 是概括其前一深度区间的融合视频对（式 (7)）。其头维度与动作 K/V 投影匹配，从而可以进行如下更新：

X~jma=Attn ⁣(Qjma,  [K^jmv;Kjma],  [V^jmv;Vjma]),(6)\widetilde{X}^a_{j_m} = \mathrm{Attn}\!\left(Q^a_{j_m},\; [\widehat{K}^v_{j_m}; K^a_{j_m}],\; [\widehat{V}^v_{j_m}; V^a_{j_m}]\right), \tag{6}

其中 (\mathrm{Attn}) 为标准注意力，([;]) 表示 token 拼接，(\widetilde{X}^a_{j_m}) 是融合未来摘要与当前动作状态后的动作输出。对于 (j \notin \mathcal{J})，仅进行动作自注意力以及残差/前馈更新，使先前注入的未来信息在动作状态中继续传递，而不再读取视频 K/V

transformer

Q、K、V 是 Transformer 注意力里的三组投影，分别回答三件事：

  • Q（Query）：当前 token 在问什么
  • K（Key）：别的 token 能提供什么索引
  • V（Value）：真正要取走的内容 对每个 token，先用三套不同的线性层得到 (Q, K, V)。注意力本质是：

Attn(Q,K,V)=softmax ⁣(QK⊤d)V\mathrm{Attn}(Q,K,V)=\mathrm{softmax}\!\left(\frac{QK^\top}{\sqrt{d}}\right)V

流程很简单：用 (Q) 去和所有 (K) 做相似度，得到权重，再按权重把 (V) 加权求和。所以 K 决定“看谁”，V 决定“拿走什么”。 自注意力里，Q、K、V 都来自同一组 token。交叉注意力里，Q 来自一边，K/V 来自另一边。论文式 (6) 把两者拼在一起了：

X~jma=Attn ⁣(Qjma,  [K^jmv;Kjma],  [V^jmv;Vjma])\widetilde{X}^a_{j_m}=\mathrm{Attn}\!\big(Q^a_{j_m},\;[\widehat{K}^v_{j_m};K^a_{j_m}],\;[\widehat{V}^v_{j_m};V^a_{j_m}]\big)

这里动作 token 用自己的 (Q^a) 去读两路信息：

  • 视频未来摘要：(\widehat{K}^v, \widehat{V}^v)
  • 当前动作状态：(K^a, V^a)

Interval KV-Fusion

若交互阶段 (j_m) 只消费自身的 K/V 对，则中间表征无法直接暴露给动作通路；若直接拼接它们，又会拉长动作注意力上下文。为此，我们提出 Interval KV-Fusion，将每个交互区间内累积的视频 K/V 对加以聚合

为每个选定阶段 (j_m) 恰好分配一个前置区间 (I_m = {j_{m-1}+1,\ldots,j_m})。对每个区间 (I_m)，我们引入经 softmax 归一化的融合权重 (W^{\mathrm{fuse}}_{m,j})，在不拉长动作注意力的前提下聚合该区间各阶段的视频表征。由于各阶段 K/V 对共享相同的 token 布局和维度，(j_m) 的融合对为

(K^jmv,V^jmv)=∑j∈ImWm,jfuse (Kjv,Vjv).(7)\bigl(\widehat{K}^v_{j_m}, \widehat{V}^v_{j_m}\bigr) = \sum_{j \in I_m} W^{\mathrm{fuse}}_{m,j}\,(K^v_j, V^v_j). \tag{7}

这一加权和将 (I_m) 中所有阶段的 K/V 信息合并为 (j_m) 处的单一对，同时保持键–值对应关系，以及单个视频阶段的序列长度 Interval KV-Fusion 在 SparseMoT 下保留了多层深度的未来上下文，同时不增加注意力复杂度。

联合训练

Faster-WAM 通过流匹配联合学习视频流场与动作流场。对每个训练样本，视频流时间 (\tau_v) 与动作流时间 (\tau_a) 独立采样，并分别采样高斯噪声 (\varepsilon^v_t) 与 (\varepsilon^a_t)：

Zt,τv=(1−τv)Zt+τvεtv,At,τa=(1−τa)At+τaεta.(9)\begin{aligned} Z_{t,\tau_v} &= (1-\tau_v)Z_t + \tau_v\varepsilon^v_t,\\ A_{t,\tau_a} &= (1-\tau_a)A_t + \tau_a\varepsilon^a_t. \end{aligned} \tag{9}

给定 ((Z_{t,\tau_v}, \tau_v, z^0_t, l))，视频专家为未来槽位预测视频流 (\hat{u}^v_t)，同时生成原始 K/V 层级 (C^v_{t,\tau_v})。Interval KV-Fusion 再将其转换为 (\widehat{C}^v_{t,\tau_v})，并通过 SparseMoT 在选定阶段条件化动作流预测器 (F_a)：

u^ta=Fa ⁣(At,τa,τa∣st,l,C^t,τvv).(10)\hat{u}^a_t = F_a\!\left(A_{t,\tau_a}, \tau_a \mid s_t, l, \widehat{C}^v_{t,\tau_v}\right). \tag{10}

以 (u^v_t = \varepsilon^v_t - Z_t) 和 (u^a_t = \varepsilon^a_t - A_t) 为回归目标，联合目标函数为

L=λv E ⁣[Wvflow(τv) ∥u^tv−utv∥22]+λa E ⁣[Waflow(τa) ∥u^ta−uta∥22].(11)\mathcal{L} = \lambda_v\,\mathbb{E}\!\left[W^{\mathrm{flow}}_v(\tau_v)\,\|\hat{u}^v_t - u^v_t\|_2^2\right] + \lambda_a\,\mathbb{E}\!\left[W^{\mathrm{flow}}_a(\tau_a)\,\|\hat{u}^a_t - u^a_t\|_2^2\right]. \tag{11}

视频与动作的流匹配 MSE 损失分别由依赖流时间的因子 (W^{\mathrm{flow}}_v(\tau_v)) 与 (W^{\mathrm{flow}}_a(\tau_a)) 加权，而 (\lambda_v) 与 (\lambda_a) 用于平衡两个分支的总体贡献。 视频项监督未来视频动态，动作项则促使融合后的层级保留与控制相关的信息。独立采样 (\tau_v) 与 (\tau_a)，可使动作通路接触到多种视频噪声与动作噪声的组合。

高效推理

部署时，Faster-WAM 用高斯噪声初始化未来槽位和动作状态。它只在 (\tau_v=1) 处对视频专家评估一次，再对所得原始层级施加 Interval KV-Fusion，得到缓存的面向动作接口 (\widehat{C}^v_{t,1})。

在每个动作流步上，动作专家通过 SparseMoT 复用该缓存，而不再更新或解码未来视频潜变量。如图 2(b) 所示，这将 (N) 次稠密的联合视频–动作评估，替换为一次视频侧前向，再加上 (N) 次稀疏、由缓存条件化的动作评估。

实验

模型与实现

  • 视频骨干：Wan2.2-5B，初始化视频 DiT、文本编码器和 VAE。
  • 动作专家：30 层 Transformer，隐层宽 1024。
  • 每次规划预测 32 步动作；视觉序列为 9 帧（1 当前 + 8 未来），时间间隔为 4。
  • 多相机观测先空间拼接到一起，再送入 VAE。
  • L=30 个对齐阶段；默认每 4 层交互一次，即 M=8；其余层只做纯动作更新。
  • 训练目标：视频流与动作流共用流匹配（flow matching），λ_v = λ_a = 1.0。
  • 优化：AdamW，lr=1e-4，wd=0.01，5% warmup 后余弦衰减到 1e-6，梯度裁剪 1.0，BF16，DeepSpeed ZeRO-1。
  • 推理：动作 10 步积分，guidance=1.0；默认只做 1 次 视频前向（τ_v=1），再缓存 K/V。

对照原则

三种 WAM 共用同一视频骨干、tokenization、训练数据、优化配方和动作采样，只改推理时未来条件化方式：

  • Joint-WAM：视频与动作联合去噪，逐层稠密交互。
  • Fast-WAM：训练时有未来建模，推理时去掉未来时序槽。
  • Faster-WAM：一次视频前向得到未来上下文，再通过 SparseMoT 稀疏复用。 这样可以把效果差主要归因到：推理时要不要保留未来表征，以及视频–动作如何交互。

数据与训练规模

基准任务性质训练数据训练评估
LIBERO语言条件操作，4 套（空间/物体/目标/长程），每套 10 任务每套 500 条专家演示10 epoch，bs=128，8×A800，输入 224×448每任务 50 rollouts
RoboTwin 2.050+ 双臂协同任务2,500 clean + 25,000 randomized5 epoch，bs=1024，32×A800，输入 384×320每任务 100 次，clean / randomized
LIBERO-Plus7 类分布偏移不额外训练直接测 LIBERO 训好的策略Camera / Robot / Lang / Light / Background / Noise / Layout
真实双臂2× Piper 6-DoF，4 个任务每任务 400 条，共 1600 条5 epoch，bs=512标准设置每任务 30 次；另测 Pick Strawberries 的 3 类 OOD

真实任务：T1 Pick Strawberries、T2 Build Tower、T3 Store Boxes、T4 Stack Plates。OOD 条件：新背景、改光照、未见干扰物。

实验设计

  1. 分布内主实验：LIBERO、RoboTwin 2.0。先确认稀疏未来条件化不会牺牲 ID 精度。
  2. 分布外主实验：LIBERO-Plus。这是核心实验，用来验证“推理时未来表征不是可有可无的训练信号”。
  3. 真机验证：标准设置 + OOD，看仿真结论能否落到真实双臂。
  4. 效率验证：L20 上测延迟，证明保留未来表征不一定更慢。
  5. 消融：把方法拆开，回答 3 个问题：
  • 未来槽本身有没有用？比较 Faster-WAM vs 仅当前观测的 C-O Faster-WAM vs Fast-WAM。
  • 两个模块各自贡献多少？依次去掉 Interval KV-Fusion、SparseMoT，再退回 Joint-WAM。
  • 交互该多密？比较 Dense / Stride-2 / 4 / 7 / 14。
  • 附录补充：视频去噪步数是不是越多越好？结果是 1 步最好。

实验效果

分布内：不掉点，甚至略好

LIBERO 平均成功率（无具身预训练的 WAM）：

  • Fast-WAM 97.6%
  • Joint-WAM 98.5%
  • Faster-WAM 99.0%（四套都 ≥ 98.2%）

RoboTwin 2.0：

  • Fast-WAM 91.9%，Joint-WAM 90.6%
  • Faster-WAM 92.6%（clean 92.8%，rand 92.3%）
  • 还超过了有预训练的 LingBot-VA（92.2%） 记法：ID 上三种 WAM 都已经很高，LIBERO 区分度不够；真正拉开差距的是 OOD。

分布外：这是论文最硬的证据

LIBERO-Plus 平均成功率：

  • Fast-WAM：LIBERO 97.6% → Plus 49.1%，掉得很狠
  • Joint-WAM：66.3%，说明保留未来表征确实更稳
  • Faster-WAM：73.6%
  • 对比：比 Fast-WAM 高约 24.5 个点，比 Joint-WAM 高约 7.3 个点
  • 7 类偏移上全面超过 Fast-WAM；6 类超过 Joint-WAM，Layout 基本持平
偏移Fast-WAMJoint-WAMFaster-WAM
Camera18.837.553.8
Robot45.764.571.6
Language70.193.094.7
Light83.295.096.3
Background45.755.961.3
Noise29.847.363.6
Layout62.779.679.1
Avg49.166.373.6

相机变化和视觉噪声上提升最大，说明未来表征提供的是“接下来场景会怎么变”的时序先验，而不只是当前外观匹配。

真机：结论可迁移

标准设置总成功率：

  • Fast-WAM 88.3%，Joint-WAM 90.8%，Faster-WAM 95.8% Pick Strawberries 的 OOD：
  • Fast-WAM：标准 96.7% → OOD 平均 45.6%
  • Joint-WAM：OOD 55.6%
  • Faster-WAM：OOD 71.1%，三类未见条件都最好

延迟

L20，224×448，10 步去噪：

模型VAE视觉动作总计
Joint-WAM10.47无法拆开无法拆开559.84 ms
Fast-WAM10.4727.67276.56320.97 ms
Faster-WAM10.5543.04192.11252.95 ms

相对 Joint-WAM：2.21× 加速。 比 Fast-WAM 还快：一次性视觉上下文从 27.67 增到 43.04（+15.4 ms），但 SparseMoT 把反复执行的动作去噪从 276.56 降到 192.11（-84.5 ms），净赚。

消融

(a) 未来条件化本身

  • C-O Faster-WAM（同样稀疏交互，但视觉上下文不含未来槽）：51.00%
  • Fast-WAM：49.14%
  • Faster-WAM：73.57%
  • Camera：16.25% → 53.75%；Noise：32.95% → 63.57% 结论：架构不是主因，推理时显式访问未来上下文才是 OOD 关键。

(b) 组件累加去掉

  • Faster-WAM：73.57%
  • 去掉 Interval KV-Fusion：69.99%（中间层未来信息有用）
  • 再换成稠密 MoT：69.78%
  • 再改回迭代联合去噪（Joint-WAM）：66.27% 三个设计是互补的：多深度 KV 融合、稀疏交互、一次可复用未来上下文。

(c) 交互间隔

  • Dense：69.78%
  • Stride-2：71.65%
  • Stride-4：73.57%（默认，最好）
  • Stride-7：71.05%
  • Stride-14：70.05% 结论：不是越密越好。未来上下文不必每层都喂，但交互太少也不够。默认每 4 层交互一次，是性能和计算的甜点。

(d) 视频去噪步数（附录）

  • 1 步：73.57% 最好
  • 10 步：掉到 68.33% 结论：高噪声端点的一次前向已经够用；继续把未来视频去噪干净，反而可能损害控制相关表征。这和论文“不必重建完整 rollout”的方法设定一致。

总结

本文揭示了世界动作模型（WAM）的一条关键设计原则：未来表征不应只被当作辅助训练信号，而应作为推理时的必要上下文，以支撑分布偏移下的鲁棒动作预测 Faster-WAM：一种高效的未来条件化框架。它在推理时保留未来表征，同时减少冗余的视频–动作交互 未来工作方面，设计基于学习的策略来决定视频–动作交互阶段，可能是一个有前景的方向；此外，图编译与自定义 CUDA kernel 还可提供互补的系统级加速。

局限性

交互位置仍是人工设定的固定间隔（默认 Stride-4），还不会按任务或样本自适应选择该在哪一层读视频。 加速主要来自算法结构（一次视频前向 + 稀疏交互），还没有做图编译、自定义 CUDA kernel 这类系统级优化。 未来表征如何更有效地被后续 WAM 保留和利用，仍是开放问题，而不是已经完全解决。

未来上下文是一次性、冻结的。 视频专家不算动作 token，动作去噪过程中也不再更新未来视频。这换来了速度，但不是闭环的“边做动作边改未来”。若真实未来强依赖于正在采样的那条动作轨迹，这一设定可能不够。 所谓未来，并不是解码出来的视频。 用的是 τ_v=1 高噪声端点的 K/V。附录也显示视频去噪步数越多，OOD 越差。好处是省算力，坏处是未来质量不可视、不好诊断，也无法用视频指标衡量。 强依赖大型预训练视频生成器（Wan2.2-5B）。没有这个先验，一次噪声前向能否抽出可用的未来线索，论文没有单独证明。 SparseMoT 的间隔、Interval KV-Fusion 的加权求和都偏启发式。融合是把多深度 K/V 压成一对，省了注意力长度，也可能丢掉部分中间信息。

OOD 远未解决。 LIBERO-Plus 平均 73.6%，明显好于 Fast-WAM 的 49.1%，但 Camera 仍只有 53.8%，Background 61.3%、Noise 63.6%。相机、背景、噪声仍是短板。 Layout 上没有赢过 Joint-WAM（79.1 vs 79.6）。稀疏交互并非在所有偏移上都占优。 真机规模偏小。 4 个任务、每任务 400 条演示；OOD 只在 Pick Strawberries 上测了光照/背景/干扰物，覆盖有限。 延迟约 253 ms（L20，10 步）。 比 Joint-WAM 快 2.21×，但对高频闭环控制仍偏慢。 Joint-WAM / Fast-WAM 是受控复现，用来隔离变量很干净，但不等于对所有已发表 WAM 的全面对比。 三种 WAM 都没有具身大规模预训练。平均上 Faster-WAM 最强，但个别视觉偏移上，有预训练的 OpenVLA-OFT 仍然更好（如 Background、Noise）。