RegisterWAM：用可学习寄存器改造世界动作模型
AI 总结
arXiv 于 2026 年 10 月 13 日发布论文《Acting Through Registers》（作者 Yiwei Zhang 等 10 人）。作者指出，世界动作模型（WAM）的表征中存在持续的高范数空间离群值，即使在归一化与 K/V 投影削弱其极端幅度后，这些位置仍与动作相关。为此他们提出 RegisterWAM：在世界模型中加入可学习的非空间寄存器，并直接用其进行动作条件化；仅加寄存器并不能完全消除空间离群值，配合观测流匹配（FM）损失监督后，高范数响应被集中到寄存器中。摘要称，该模型无需额外具身预训练数据或基础模型，在 LIBERO-Plus 上取得 81.64% 成功率，在 RoboTwin 2.0 上平均成功率达 93.0%，并改善真实世界操作表现。
深度见解
它给出一种理解并整理世界模型内部动作相关信息的具体机制，或有助于机器人策略在少数据条件下的泛化。