一句话看懂：自动驾驶与具身控制领域的世界动作模型 OSWAM 提出用“想象 token”初始化扩散过程，把动作去噪从数十步压到一步；在 NAVSIM 和 RoboTwin 基准上，它接近甚至匹配多步对手的表现，但信息仍限于论文摘要与基准测试。
事件核心：发生了什么
据 alphaXiv 转载的论文摘要，作者发布世界动作模型 OSWAM，目标是在自动驾驶和具身控制中实现实时动作生成。此前的直接策略世界动作模型虽跳过显式未来视频预测，却仍需数十步去噪才能保证动作质量，带来明显延迟；简单减少步数又会让动作质量下降。
OSWAM 的做法是构造“想象 token”为扩散过程提供结构化动作先验，并引入带未来条件的特权信息蒸馏，使模型在推理阶段只做一次去噪更新。摘要给出的基准数据包括：在 NAVSIM 上约 136ms 延迟、90.3 PDMS；RoboTwin 平均成功率接近 90%、延迟约 142ms；相对直接策略基线约 3 倍加速，编译后推理延迟最低约 40ms（NVIDIA RTX 5090）。
为什么重要
实时性是动作模型从研究走向部署的关键瓶颈。OSWAM 的路线不是继续堆叠去噪步数，而是把“动作结构”前移到初始化阶段，这为压制推理延迟提供了新思路。对自动驾驶和机器人控制而言，它意味着少步生成有机会在质量上不掉队，从而缩短从感知到执行的回路。
需要说明，目前公开信息主要是论文摘要与基准对比：NAVSIM 与 RoboTwin 上的结果属于特定任务和指标，并不等同于真实车辆或真实机器人上的验证，也不代表该模型已作为产品发布或通过同行评审。
对用户/开发者/创作者的影响
对开发者，OSWAM 的核心启发是“结构化先验加蒸馏”可以降低动作去噪的算力开销，值得在机器人操作、自动驾驶策略学习等场景中复现。对系统集成方，约百毫秒级延迟与约 40ms 的编译推理下限，说明端侧或车载实时控制具备研究空间，但仍需看实际硬件与部署条件。目前未披露开源代码或 API，创作者与企业采购暂不宜按已落地产品评估。
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
一是作者是否公开代码与预训练模型，以便社区复现基准和延迟数据；二是除 NAVSIM、RoboTwin 外，是否在真实车辆、真实机械臂或更多任务上验证；三是 Fast-WAM 等竞品是否跟进一步生成，以及第三方能否独立复现约 3 倍加速与 40ms 延迟的结果。
来源：alphaXiv
