一句话看懂：依据 alphaXiv 页面信息，研究者提出 LaWAM，让机器人策略通过紧凑的潜在视觉子目标感知动作后果，而不是生成完整未来视频；该方法在 LIBERO 上报告 98.6% 成功率，每次动作块预测耗时 187 ms。
事件核心：发生了什么
alphaXiv 发布的论文页面显示，LaWAM（Latent World Action Model）针对 Vision-Language-Action 模型缺少动作后果前瞻的问题，提出用隐空间的视觉子目标替代像素级视频预测。其核心组件 LaWM 先在预训练视觉基础模型的隐空间中训练 latent action model，再把前向解码器改为预测未来观测特征。训练分两阶段：第一阶段从当前与后续观测推断动作码，并学习预测未来特征；第二阶段由语言条件策略预测动作码，经 LaWM 一次性解码为子目标，再与当前特征一起交给 action expert 生成动作块。作者报告 LIBERO 98.6%、RoboTwin 91.22% 的平均成功率，并称墙钟延迟最多比像素空间 WAM 低 24 倍。
为什么重要
现有 World-Action Model 常依赖视频生成来提供未来信息，计算开销大且像素冗余明显。LaWAM 把“想象未来”压缩成特征空间的子目标，使预测动力学更接近策略推理的实时预算。在 LIBERO-10 的内部对比中，保留未来预测和潜在动作蒸馏、但移除子目标条件化的配置成功率为 94.6%，参考配置为 96.4%，说明预测的未来在推理阶段被策略使用是有价值的。需要说明的是，以上结论来自论文摘要及页面概述，并非已上线产品或同行评审结论；LaWAM 也未与 Fast-WAM 做受控对比。
对用户/开发者/创作者的影响
对机器人开发者而言，LaWAM 提示了一条降低推理延迟的路线：不必为每个动作块生成视频，只需预测一个特征级子目标，理论上更利于在边缘算力上部署。但目前公开信息没有提供代码、模型权重或 API，开发者暂不能直接复现。对关注 VLA 与 WAM 技术路线的人，值得留意“预测未来仅作辅助监督”与“预测未来进入推理条件”两种范式的差异，以及 Knowledge Insulation 这类防止动作损失梯度污染子目标的训练技巧。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 LaWAM 是否会开源代码与权重，或在真实机器人平台上提供可复现的实验细节；二是其低延迟优势在更大规模任务和不同硬件上是否保持；三是 Fast-WAM 等竞品是否会跟进“紧凑潜在子目标”思路，推动 WAM 从视频生成转向特征级预测。
来源：alphaXiv
