FLEX-WAM：让机器人世界动作模型真正响应动作，而非只续写流畅视频

联合生成状态和动作时，怎样防止模型忽略动作并保留低延迟推断？

1. 1

   多相机先压入共享潜变量

   图1(a)的各相机token不能直接互相注意，信息必须经过每帧共享潜变量。掩码自编码器学习重建被遮挡时空块；编码和解码在时间上全因果，避免把未来观察泄漏进当前表示。

2. 2

   同一网络改变状态与动作的噪声水平

   图1(c)每帧含256状态token、4个寄存器、2个噪声级别和1个动作token，共263个。保持动作干净、预测状态时就是模拟器；联合加噪可生成动作与状态，保持状态干净则支持逆动力学。本文没有使用文本或任务条件。

3. 3

   块内双向、块间因果，复用历史KV

   图1(b)(d)交替沿空间和时间轴注意。训练随机取1、2、4、8、16帧块，块内可互看、只能看较早块；部署可以逐帧或整块采样，无需重训。块内双向是共同去噪预测帧，不是读取真实未来。

4. 4

   按块加噪并校准两个训练目标

   同块状态共享状态噪声、动作共享动作噪声，以块级diffusion forcing模拟带预测误差的历史。状态用x预测、动作用速度预测；每500步分别测损失对共享网络的梯度，结合噪声网格上的损失均值重新加权，避免某模态主导。

5. 5

   先学模拟，再反馈调节联合训练

   纯世界模型训练收敛后，用Hutchinson估计动作扰动对潜变量的归一化敏感度，以其峰值约90%为设点调节世界模型模式采样偏置。本实验偏置从近1降到约0.2；这个传感量是局部动作响应代理，不是物理正确性证明。

6. 6

   规划与真实运行使用不同反馈

   MCTS用联合生成提出动作原语并预测结果，再用任务评分选路径。OpenArm部署则把真实相机输入写入历史KV，同时比较预测和实际图像以收集失配样本；论文未执行这些样本的再训练收益验收。

完整阅读57505字符论文及参考文献，公开HTML未附独立附录；视检图1、核对表II–IV与开放声明。未运行模型或机器人实验。

论文正文称open-source，但脚注明确代码和检查点为匿名审稿省略、待接收后发布。2026-10-11论文及检索未核实实际官方实现，因此保持pending，不把未来承诺算开源。

LICENSE论文与图1为CC BY 4.0；未核实代码或检查点许可。