Long-WAM：扩展世界-动作模型上下文
AI 总结
Long-WAM 是一个面向实时机器人控制的世界-动作模型（world-action model）框架，作者称其核心发现是“能访问历史”并不等于“会利用历史”——只有在视频基础模型以自回归方式预训练时，更长的历史才带来明显收益。在 RoboCasa GR-1 上，上下文从 0.0 秒增至 19.2 秒使成功率从 63.3% 提升到 78.7%，而双向预训练的初始化则无净增益；加入机器人领域自回归预训练后，GR-1 与 LIBERO-Long 的峰值成功率进一步提高。论文还报告该模型可在 RTX 5090、DGX Spark 和 Jetson AGX Thor 上部署，RTX 5090 上每个动作块（含未来视频潜变量预测）耗时 107.4 毫秒，并在 Unitree G1 与 YAM 上完成实时长时序操作，动态叠杯子任务成功率为 95%，而论文称 Pi0.5 与 Fast-WAM 在 20 次试验中均未成功。
深度见解
机器人世界模型正在长时序记忆与实时推理之间做权衡，该工作给出了“自回归预训练才能用好长上下文”这一可验证的经验结论，并展示了端侧硬件的实时部署路径。