Long-WAM：机器人不仅要存下历史，还要学会用历史预测下一步

更长历史何时真正帮助机器人，又怎样避免它拖慢下一次动作？

1. 1

   先用机器人视频学因果预测

   从LongLive-2.0的16秒自回归检查点继续训练，视频监督不需要统一机器人动作空间。分块因果注意力让带噪目标只读取之前的历史；缓冲预测误差加入训练输入，但恢复目标仍是原始干净视频，训练模型纠正滚动误差。

2. 2

   保持视频因果结构，接入动作专家

   视频token只能读取自身和过去视觉块，不读取动作；动作读取观测历史、预测未来和整个待去噪动作块。训练有独立视频和动作两遍，动作损失通过分离缓存不回传到视频专家，动作专家与本体状态适配器负责动作学习。

3. 3

   先做部分未来预测，再用固定缓存生成动作

   IDM推理从随机噪声做四步视频预测，停在σ=0.9，不解码成像素，再让动作专家条件于这份视觉KV去噪。训练对应条件来自加噪真实未来，推理来自模型预测，不能视作完全相同的数据分布。图2同时比较无历史、只用历史、联合去噪和先视频后动作四种方式。

4. 4

   把观察编码移到机器人执行期间

   流式因果VAE持续处理到来的观测，推理与正在执行的动作块重叠。交接时丢弃新块中已过去的前缀，执行时间对齐的后缀；若新块迟到仍须等待。缩短重叠可改善平滑度，但固定执行长度下也意味着更晚触发、更低决策频率。

5. 5

   以硬件优化兑现时间预算

   视频线性层用NVFP4四位权重与激活，动作计算与KV保持BF16；编译、CUDA Graph、共享量化和分段在线softmax减少重复工作。KV复用主要限定一次动作求解内，本体状态、历史淘汰和时间位置变化会使跨决策缓存失效。

完整阅读正文和附录A–H共80911字符，查看图2、图6，核对实际源代码树、推理入口、许可证、公开权重文件及模型卡。未下载或运行模型权重，未执行机器人命令。

2026-10-11官方NVlabs/LongLive/Long-WAM提交e5fa48cc5b1f995637b987195d25b5bd16e26086包含实际训练、推理与部署代码，src下150个Python文件。核对LIBERO-IDM模型仓库提交eca2710140fc0d03a2b0259db1d49d5ca60d5122，确有model.pt、config.yaml、dataset_stats.json与SHA256SUMS；未下载权重验证内容。作者验证文档明确完整基准复现仍未完成，CPU检查不能当作策略成绩复现。

LICENSE论文和图2为CC BY 4.0；原创代码Apache 2.0，第三方组件保留各自许可。所查LIBERO-IDM权重模型卡标记license: other，未见独立许可正文，不能据代码许可推定权重商用授权。