LAC-WM：用有监督潜动作连接人手与不同机器人
从动作条件转向共享运动表征；灵巧任务增益46.7%是相对值，实际成功率15%到22%
LAC-WM从相邻视觉状态推断连续潜动作，以运动解码监督和交叉增强限制视觉捷径，再把未见机器人显式动作映射进共享空间。三类人/机器人数据预训练后，在新灵巧操作形态上选择VLA候选动作的平均成功率为22%，显式动作模型为15%；修改后的LIBERO为92%对82.4%。这些结果来自仿真与有目标示范的动作筛选，并非无需标注的零样本实机迁移。
图解主要方法
不同机器人是否能共享动作意义，而不只是把不兼容的动作维度补齐？
- 1
把视觉变化编码为连续潜动作
冻结V-JEPA2视觉编码器，逆动力学IDM读取当前与后继状态，输出64维潜动作；前向动力学FDM以当前视觉与潜动作预测未来特征。连续表示没有向量量化，但仍可能编码外观捷径。
- 2
用交叉增强和运动标签约束捷径
IDM读取一套增强后的前后帧，FDM读取另一套增强的当前帧并使用同一潜动作，预测第二套后继特征。运动解码器再监督末端/手指与相机运动，潜动作前后半分别解码两类；这显式使用标签，不是纯视频无监督。
- 3
为新机器人分三阶段适配
先LoRA秩2微调IDM/FDM共20k步，再冻结FDM训练原始动作到潜动作的投影器5k步，最后投影器与FDM联合35k步。测试没有未来帧，必须靠动作投影器生成潜动作；总60k步不等于零样本。
- 4
以目标图筛选策略候选
从VLA采样动作，世界模型想象后继，与示范子目标在特征空间比较。灵巧设置每轮500候选、100动作长度，选最好3条取动作平均并执行整块；平均后的动作未必等于某条已评估轨迹。
- 5
把视频质量和闭环决策分别验收
BFA评8帧图像质量，再检验接触、抬起与最终放置；LIBERO换Cosmos编码器、π0.5策略和40步想象，选一条后仅执行25步。两套设置的数据与模型都变，不能只归因于编码器。
实验与证据
已读全文及附录A.1–A.7，核对图1、数据和训练阶段、表1/2/4/6；原图视觉核验；未独立训练或运行机器人。
来源证据EgoDex、Agibot、DROID各50k轨迹，合150k；BFA微调7265轨迹，仅约20%成功。 4.2–4.3；A.1–A.2 ↗
我的解读人类和双臂资料能共享训练，但BFA虽然双Franka/Allegro装置，实验只用右臂；不是双手协作验证。
来源证据预训练80k步，先60k去FDM时间注意力，后20k加回、时域8；64 H200约4天。 A.4 ↗
我的解读比较应计入预训练成本和稳定动作条件的训练日程，不能只报推理小批耗时。
来源证据未见实例PSNR27.484、LPIPS0.037、FVD23.213；EAC为24.252、0.057、30.349。 表1；A.3 ↗
我的解读像素由另训153.8M图像解码器重建，图像质量反映组合系统；512测试窗口并非512完整机器人任务。
来源证据BFA每划分100回合、3种子：实例成功25%±3%、新类别18%±2%；EAC16%±4%、14%±4%。 表2 ↗
我的解读论文两划分等权平均22%对15%，提高7个百分点即46.7%相对；不是按25个类别加权，也不是提高46.7个百分点。
来源证据平均接触85%、抬起58%、最终成功22%。 表2 ↗
我的解读世界模型选择动作改善部分接触，不代表已经解决后续持握、移动和放置。
来源证据修改LIBERO五变体各25回合，共125：LAC92%、EAC82.4%、VLA均值81.6%。 6.2；表4 ↗
我的解读提高9.6个百分点或11.7%相对；每任务25次，且为新对象/位置变体，不是全套原版LIBERO官方榜单。
来源证据LIBERO适配2000原任务轨迹与200扰动π0.5轨迹；后者110成功90失败。 6.2 ↗
我的解读额外失败数据有利于候选筛选，应同样计入训练数据预算，不是只看成功示范。
来源证据固定24k轨迹两来源换三来源，以及三来源从24k增至150k均改善；删MD与交叉增强联合后新类别13%对18%。 图4–5；表3 ↗
我的解读前者部分分离规模与多样性，后者同时改两机制，无法单独量化解码监督的因果贡献。
来源证据改为从训练集采动作：每划分50回合×3种子，LAC新类别10%、EAC8%、从零3%。 A.5；表6 ↗
我的解读这与VLA候选22%的主结果不可混用；候选质量显著制约最终上限。表6平均特征距离24.50与两划分24.60/25.39的算术均值不符，本文不据该格主张优势大小。
来源证据附录VLA用2000成功示范，15Hz、动作块100；L40S批10预测8帧约0.1秒。 A.4、A.6 ↗
我的解读约6.7秒整块执行可能放大模型误差；单批世界模型耗时不含500候选、子目标、编码和控制开销。
开放情况与使用许可
官方项目页提供论文与视频，但Code没有可访问仓库链接，未核实训练代码、检查点或模型卡。OpenReview条目访问遇浏览器验证，无法确认更早首发日；按既有会议工作补收。
LICENSEarXiv论文CC BY 4.0，图1按署名保留原图；代码和权重许可尚不能确认。
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
相同VLA候选来源下，LAC-WM在两个灵巧划分及五个LIBERO变体均高于显式动作世界模型，支持共享潜动作对适配的实用价值。
固定24k总轨迹的两/三来源对照与固定来源增数据对照，分别检验形态多样性与数据规模，较单纯堆数据更有解释力。
反方 · 哪些结论还不够
预训练不是无标注：运动解码器监督末端、手指与相机运动；UMAP重叠不证明因果解耦。
每回合需要目标示范图，VLA-only不使用该信息，不能把全部提升归于世界模型架构。
灵巧平均成功率仅22%，接触85%、抬起58%到最终任务之间仍有大落差。
综合判断
证据支持潜动作和运动辅助监督改善有限形态的仿真适配；尚不足以宣称通用机器人动力学或零样本真实迁移。
我会先做的验证
建议实验（尚未执行）：固定轨迹总量、标注量和算力增加更多形态，给所有策略相同目标信息；分别去掉运动解码与交叉增强，报告500候选的端到端延迟、置信区间及真实接触成功率。