Long-WAM让机器人学会使用更长的历史

机器人 / 世界动作模型 · 8.8/10 · 建议看论文与演示

NVIDIA团队的Long-WAM论文于10月7日17:58 UTC提交，早于本期窗口；项目仓库将论文列为10月8日可读，并提供代码与检查点，所以放在这里补看。机器人做长任务时，只有眼前一帧常常分不清自己刚才拿起了什么、杯子往哪边动；但不断塞进过去的视频又会拖慢动作。Long-WAM先用机器人和第一视角视频做自回归预测预训练，再在动作任务中保留“由过去推测未来”的结构，同时用流式编码与异步执行控制延迟。

论文最有价值的对照是：在RoboCasa GR-1上，作者报告把历史从0延长到19.2秒，成功率由63.3%升到78.7%；换成双向预训练底座，延长历史却没有净收益。这说明“给模型更长上下文”不等于“模型会利用上下文”。团队还报告RTX 5090上每段动作含未来视频预测约107.4毫秒，以及真机动态叠杯任务的95%成功率。后两项都属于作者在指定硬件与任务上的测试，尚不能推断普通家庭环境的可靠程度。代码和权重开放，让后续独立复测比只看演示视频更可行。