HWAM：把人形机器人的实际身体状态也放进动作生成
联合预测不是额外的物理保证；三路径训练与状态目标存在明显交互
高层策略给出关节参考，不等于低层全身控制器最终执行到的姿态。HWAM把下一采样时刻的本体状态与当前参考动作拼成联合生成目标，同时训练从轨迹预测视频、从视频重建轨迹、只看当前观测生成策略三条路径。三个OLI真机任务取得最高观察成功率，但状态监督单独加入另一种视频训练配方反而降分，证据支持组合设计而非状态预测总会改善控制。
图解主要方法
将执行后的本体状态与参考动作联合建模，何时能改善层级人形控制？
- 1
把命令与下一采样状态配对
每个时间token先拼接[s(t+h+1);a(t+h)]再投影；状态是下一同步示范采样而非保证动作已完全收敛。两通道共享去噪时间与轨迹表示，状态信息可在每步影响动作。
- 2
让视觉与轨迹专家共享条件、按路径交换信息
冻结Wan2.2因果视频VAE，UMT5-XXL编码语言；WanVideoDiT和ActionDiT参数分开，通过路径掩码交叉注意力通信。当前多视角图像、本体状态、语言构成条件。
- 3
用互补方向训练，再补部署一致的策略路径
FDM用干净联合轨迹预测未来视频；IDM用干净当前/未来视觉重建联合轨迹；Policy只看当前条件，隐藏未来视频，仅去噪联合轨迹。每minibatch三选一且等概率，各路径权重1，状态动作MSE合并平均，无额外通道加权。
- 4
部署只下发参考动作
未来本体状态仍参与联合去噪，但只将动作送低层控制器；不把预测状态当实际测量，不在部署生成未来视频，也没有独立约束保证动作与状态物理一致。
实验与证据
已读正文和附录A–D，核对原图2、逐项试验数与区间；查看官方项目页开放状态，未独立复现。
来源证据OLI动作/下一状态MAE4.420°、稳态2.885°；ALOHA为0.648°/0.402°。 4.1；附录A表3 ↗
我的解读说明跟踪不是完美，但正文称附录提供完整协议、逐关节统计，实际附录A主要为汇总表；同步延迟等混杂尚不能排除。
来源证据OLI三个任务分别1,783/4,220/404训练episode；Candy另422离线验证。16张A800、全局batch128、AdamW学习率10⁻⁴、六epoch。 4.2；附录B ↗
我的解读任务特定训练；“无额外机器人预训练”不代表无视频预训练，也不是所有基线预训练预算匹配。
来源证据Candy HWAM84/119=70.6%，95%Wilson[61.9,78.0]；π0.5为75/120=62.5%，[53.6,70.6]；Fast-WAM52/120=43.3%。 表1；附录C.2表7 ↗
我的解读区间假定独立Bernoulli试验，不包含训练seed变化；另两任务未给同样完整计数，不能自行推算分母。
来源证据Plush消融VGM/Policy动作60.0%、加状态45.5%；FDM/IDM/Policy动作55.0%、加状态73.3%。 4.5表2 ↗
我的解读两个状态效应相差32.8个百分点；支持交互，但未拆开FDM与IDM或架构因素，也未给此消融不确定性。
来源证据四去噪步、32步chunk、31公共关节，HWAM平均动作MAE3.816°，三路径仅动作4.024°。 4.4图5 ↗
我的解读是held-out示范的开环预测诊断，不能等同于闭环碰撞或成功率；状态误差与另一状态模型相近。
来源证据12段抓合前验证片段，预测轨迹条件下各模型PSNR20.345–20.844，HWAM20.501；真实轨迹条件动作20.559，状态+动作23.336。 附录C.1表5–6 ↗
我的解读真实状态帮助解释图像，但完整端到端预测没有视频质量领先，不能用oracle诊断解释控制增益。
来源证据ALOHA另用640示范训练，HWAM折衣得分86.00，GR00T N1.5为78.75、π0.5为77.00。 附录D表9 ↗
我的解读0–100分含阶段部分分，不是86%完整成功率；这不是OLI到ALOHA零样本迁移，且未给足试验数/误差。
来源证据Candy按方向和工作区的拆分中，HWAM并非每方向最高。 附录C.3表8 ↗
我的解读这些是任务内子组，不是保留空间分布的域外泛化试验。
开放情况与使用许可
官方hwam.vercel.app将Code、Dataset、Video列为Coming soon；模板仓库不是研究代码。论文以FluxVLA Engine为基础，不等于HWAM实现或权重已公开。
LICENSEarXiv为非独占分发许可；图2用于必要方法评论并明确署名来源，不表示获得通用复用许可。项目网页模板CC BY-SA 4.0不能推定为模型、数据或论文插图许可。
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
完整配方在OLI三个任务观察成功率70.6%、46.7%、73.3%，均为表中最高。
匹配的2×2消融中，三路径配方加入状态预测55.0%→73.3%，支持联合状态与该配方搭配。
反方 · 哪些结论还不够
另一配方加入状态预测60.0%→45.5%，不能把完整模型增益归因于状态目标单独作用。
Candy对π0.5提升8.1个百分点，但两个Wilson区间重叠，且未给配对检验或训练种子不确定性；不声称显著胜出。
预测条件下未来视频PSNR没有优势，使用真实未来状态的23.336属于诊断上界，部署得不到这些未来条件。
综合判断
联合动作与执行状态是可检验的建模选择，最强证据是配方交互而非更逼真的视频；目前不足以证明跨任务普遍优势或真正识别了低层物理。
我会先做的验证
建议实验（尚未执行）：固定训练预算、采样率和控制器，复现实验全部2×2条件并加入仅FDM/仅IDM消融；多训练种子、随机化真机试验顺序，报告成功差区间，同时扰动延迟与控制器增益测状态预测是否仍有价值。