BridgeWAM 用 32 个桥接查询解耦视频与动作专家，推理提速 2.47 倍

一句话看懂：Hugging Face Papers 上的一篇新论文提出 BridgeWAM，通过 32 个潜在桥接查询把视频、语言和本体感知信息压入共享潜空间，解耦视频专家与动作专家的深度，声称在 LIBERO 上达到 98.25% 成功率。它值得关注，是因为这直接针对世界动作模型里“视觉信息过载 + 算力冗余”的老问题。

事件核心：发生了什么

这篇论文于 2026 年 10 月 10 日发布在 Hugging Face Papers，提出一种叫 Bridge-of-Experts（BoE）的结构，具体实现即 BridgeWAM。作者认为，现有世界动作模型（WAM）用逐层混合 Transformer 注意力把视频专家和动作专家绑在一起，会让动作预测接触到无关视觉特征，还要求两个专家深度对齐。

BridgeWAM 改用 32 个潜在桥接查询（LBQ）聚合视觉、语言和本体感知先验，并做联合视频-动作监督：动作梯度反过来引导视频专家，动作专家则通过交叉注意力选择性取用信息。最终模型约 5.06B 参数，视频专家 30 层、动作专家仅 2 层。摘要给出的数据是 LIBERO 成功率 98.25%，LIBERO-Plus 汇总成功率 72.24%；相比 Fast-WAM，仿真分析中单样本推理 FLOPs 降低 28.72%，真机延迟 77.1 ms、提速 2.47 倍。

为什么重要

世界动作模型是具身智能路线里的重要分支，核心矛盾在于视频理解和动作生成如何高效衔接。BridgeWAM 的取舍很明确：不做全层稠密耦合，而是用有限潜空间做信息瓶颈，再让轻量动作头去“检索”任务相关信息。这既减少冗余计算，也降低动作对无关视觉细节的敏感度，对机器人控制的鲁棒性有直接意义。

需要强调，以上结论来自论文摘要，目前公开信息显示尚未经过独立复现或同行评审，98.25% 等数字应限定在作者设定的 LIBERO 与 LIBERO-Plus 评测条件内理解，不宜当作永久排名。

对用户/开发者/创作者的影响

对做机器人策略、VLA 或具身智能应用的开发者，这篇论文提供了一条可借鉴的工程思路：超轻动作专家加独立视频骨干，可能显著降低端侧或真机推理成本。如果后续代码和权重开源，想在低成本硬件上部署动作模型的小团队会直接受益。对普通用户和内容创作者，短期内影响有限，它仍是研究阶段的方法，不是可调用的产品 API。