MiniWAM：世界动作模型可以预测更小、与控制更相关的未来
PRISM用逆动力学与特征重建学习目标；65倍特征压缩不等于65倍Transformer缩短
MiniWAM先从当前与未来视觉特征学习PRISM紧凑表示，再冻结编码器，把这个表示作为世界动作模型的预测目标。逆动力学监督保留动作相关信息，特征重建保留未来内容；第二阶段同时去噪未来表示与动作。0.25B策略在多项仿真中有竞争力，但模型尺寸不包含冻结视觉/文本编码器，加速也不是从原始视频开始的端到端计时。
图解主要方法
世界动作模型能否通过预测紧凑转移表示，减少训练成本且保留控制信息？
- 1
先用有未来的转移学习瓶颈
冻结WAN2.1 VAE或DINOv3，把当前帧与16未来帧交给轻量3D卷积编码器；默认每相机输出3×4×4×64，48个token。对角高斯后验重参数采样，KL权重10⁻⁶。第一阶段训练可见未来，部署不可见。
- 2
让瓶颈解释动作，也重建视觉特征
第一阶段世界token保持干净、动作token加噪，逆动力学预测动作；移除直接当前观察与语言条件，迫使相关视觉信息经过瓶颈。动作可看世界，世界不能看动作。解码器以MSE重建未来特征而非RGB，和逆动力学共同塑造表征。
- 3
冻结目标编码器，重新训练联合策略
第二阶段取后验均值作确定目标；第一阶段逆动力学策略不转移，而是重新初始化0.25B策略。12层MoT的世界/动作专家各768宽、12头，动作与世界互相注意，分别采独立噪声和时刻；当前图像、语言、本体状态提供条件，两个flow loss权重均为1。
- 4
部署时共同去噪并执行动作
无需PRISM编码器或未来图像，仅当前观察初始化世界/动作高斯噪声，用20步Euler联合去噪。LIBERO预测16动作执行前10再规划；RoboTwin主结果预测并执行24动作。效率profile用16动作、16/32视觉时域，是另一组负载。
实验与证据
完整正文与附录A–E、表征分析协议、图2及作者项目页已核查；未独立复现。
来源证据每相机原生未来网格3,136位置→48，约65.3倍；原生经patch后Transformer未来token784→48，约16.3倍。 附录A ↗
我的解读两个压缩率不同；总序列还包含当前观察、动作、文本。WAN标量50,176→3,072，DINO2,408,448→3,072，通道数也影响比较。
来源证据DINO原生/PRISM：LIBERO93.2/97.2、Plus-2K60.9/74.1；完整Plus为73.6（10,030任务），RoboTwin为46.1。 表1/3；附录C ↗
我的解读2K子集与完整Plus分开计。π0.5完整Plus85.7、RoboTwin58.4仍更高；不应称全面最强。
来源证据单RTX PRO6000 96GB、batch256：RoboTwin WAN32帧第二阶段10.48倍，含第一阶段估算8.46倍。 表2；附录D ↗
我的解读全训练估算假设两阶段单步成本相近，profile只2预热/6测量更新；不包含离线特征目标提取，也不是推理加速。
来源证据LIBERO第一/二阶段15/50epoch=16,260/54,200更新；RoboTwin6/25epoch。247.5M参数为策略模块。 附录A–B ↗
我的解读冻结视觉骨干与文本编码器是外部模块；“无预训练视频生成骨干初始化”不等于完全不用预训练模型。
来源证据未见LIBERO-90任务上的腕视角去混淆CKA0.071→0.393；DINO仅重建到完整PRISM邻居动作RMSE0.326→0.266。 表5/10；附录E ↗
我的解读4,500转移、1,800 CKA子集、882查询/3,618图库且排同任务。邻域动作一致性支持表征有控制信息，但不是长程世界预测或因果中介实验。
开放情况与使用许可
作者项目页明确Code & models Coming soon before Nov 2026，论文说接收后发布实现、配置、权重和评估脚本；当前未确认已释放这些材料。
LICENSE论文使用arXiv非独占托管许可；图2版权归作者，引用用于方法讲解。未来代码/权重及DINOv3、WAN、UMT5各有独立许可边界。
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
同视觉特征、相同第二阶段更新数，DINOv3原生未来预测LIBERO-Plus-2K为60.9%，PRISM74.1%；WAN为50.2→56.5%，说明收益不只来自换视觉骨干。
同容量仅重建、仅逆动力学、两者结合分别69.5/70.5/74.1%，组合目标有独立消融支持。
反方 · 哪些结论还不够
PRISM另有第一阶段学习，控制实验匹配第二阶段而非总优化预算；世界分支投影和头随目标改变，精确参数也未必相同。
无co-train对照只是世界flow权重设0，仍保留世界token与双向注意力，动作loss仍能更新世界专家，不是删去整个世界分支。
原生表征做空间平均，PRISM保留粗空间网格；去混淆只去掉指定线性可预测因素，CKA和邻居相似不等于证明因果控制机制。
综合判断
紧凑控制相关目标对性能/训练吞吐的折中有较完整证据；宣传中的压缩、规模和加速都应限定口径，跨场景与真实机器人效果仍待验证。
我会先做的验证
建议实验（尚未执行）：按含离线特征提取的总GPU小时匹配预算，报告完整系统参数和端到端延时；多seed重复并测试同一PRISM跨任务/机器人迁移，加入等空间池化的表征对照和无世界分支策略。