InternW0：慢速预测未来，快速依据新观测调整动作

图 2 中 context routing 如何利用旧预测而不盲目执行旧计划？

1. 1

   共享视频先验，保留本体专用接口

   冻结 Wan VAE 编码视频，DINOv3 编码当前图像。机器人状态和动作映射为 37 维，缺失通道用有效性掩码排除，域专用投影和软提示保留不同机器人语义。视频专家不读取机器人动作 token 或域 ID，动作专家读取视频上下文，因此不是对称的动作条件视频预测器。

2. 2

   双流训练让视频特征也服务动作

   视频和动作分别做连续 flow matching。动作侧另读一个共享权重的视频条件流：一半保持干净，另一半独立加噪；它没有单独重建损失，但动作损失梯度会穿过 K/V 编辑器回到视频专家。无动作的人类视频仅贡献视频监督。

3. 3

   每个动作块用新图像重新路由缓存

   当前观测形成少量 query，先从每层缓存 K/V 取相关信息，再分配回原视频 token 位置，预测带门控的残差修正。残差投影零初始化；基础缓存不被累积改写，每个块生成自己的编辑视图。慢视频计划更新时，再替换之后使用的缓存。

4. 4

   在接触后训练中加入力和触觉

   动作侧可读取生成本块之前的力、触觉历史，并联合预测未来动作与接触信号。只解码动作去执行，未来力是预测而非已经观测到的反馈；这些通道在接触任务后训练中引入，不应说全部 7200 小时预训练都含触觉监督。

以下为作者报告；已阅读 v1 全文及可用附录，本站未独立执行研究实验。实验条件与编辑解读分别列出。

已核对官方项目和完整技术报告；页面未给出可核实的本研究代码或权重文件。更广的几何、音频和干预建模属于系列规划，不能写成 InternW0 已完成的功能。

LICENSE论文 CC BY 4.0；模型、EgoLab 与训练系统的发布许可未确认。