TL;DR

清华大学与 Galaxea AI 的研究人员提出了 Fast-WAM，挑战了具身智能领域的一个主流假设：世界动作模型（WAM）必须在推理时生成未来视频。实验证明，视频预测的价值主要在于训练过程中的特征塑造（Representation Learning）。Fast-WAM 通过解耦训练建模与推理生成，实现了 190ms 的极低延迟，速度提升超 4倍，且性能依然维持在 SOTA 水平。

核心洞察：训练与推理的解耦

在传统的 World Action Models 中，模型通常被要求“先想再做”：

1. 想象 (Imagine)：根据当前观察，迭代生成未来几帧的预测视频。
2. 执行 (Execute)：基于生成的预测视频提取物理特征，再输出动作（Action）。

然而，视频去噪过程极其耗时。Fast-WAM 的核心 Insights 是：视频建模的本质是让编码器理解物理规律（如物体的运动、遮挡、力学等），这种理解可以固化在编码器的参数中。 因此，推理时完全可以略过耗时的视频生成步骤，直接从编码器的 Latent Space 预测动作。

Fast-WAM 架构：混合 Transformer 专家系统

Fast-WAM 基于 Wan2.2-5B 视频生成模型构建，采用了一种创新的 Mixture-of-Transformer (MoT) 架构：

• 共享注意力层：视频分支（Video DiT）和动作专家（Action Expert）共享部分结构，并通过精心设计的 Structured Attention Mask 控制信息流。
• 单次前向传播：推理时，模型仅对第一帧图像进行一轮 Encoding，动作分支直接访问该 Latent 结果，无需生成任何未来像素。

图注：通过 Mask 机制，动作分支可以在训练时由于视频预测任务受益，而在推理时保持独立高效。

实验战绩：速度与力量的平衡

研究团队在 LIBERO、RoboTwin 2.0 以及真实世界的**折毛巾（Towel Folding）**任务中进行了严苛测试。

1. 性能对比：不降反升

在 RoboTwin 仿真中，Fast-WAM 取得了 91.8% 的平均成功率，不仅优于许多需要复杂预训练的模型，甚至略高于某些强制要求测试时想象的变体（如 Joint Denoising 模式的 90.6%）。

2. 推理效率：降维打击

这是 Fast-WAM 最引人注目的优势。

• Fast-WAM (190ms) vs Fast-WAM-IDM (810ms)。
• 在实时机器人控制中，数百毫秒的差异决定了动作是否连贯以及能否应对动态环境。

3. 消融实验：证明“共同训练”才是王道

最重要的发现来自对训练目标的拆解：

• 只删掉推理想象：成功率几乎没有变化（91.8% vs 91.3%）。
• 删掉训练时的视频预测任务：成功率瞬间跌至 83.8%（仿真）和 10%（真实世界折毛巾）。 这实锤了：视频预测任务是提升模型物理理解的关键，但并不需要把预测结果画出来。

深度洞察

Fast-WAM 的成功对行业有两点重要启示：

1. 具身智能的路线选择：我们不必在“慢速但有物理直觉”的世界模型和“快速但盲目”的 VLA 之间二选一。Fast-WAM 证明了可以通过 co-training 实现二者的融合。
2. 计算资源的分配：未来的研究重心或许应该从“如何生成更逼真的预测视频”转向“如何通过视频生成目标来蒸馏更强的动作表征”。

局限性与展望

尽管 Fast-WAM 表现优异，但它目前尚未在大规模 Embodied Pretraining 数据集上进行极致扩展。此外，在极其复杂的长程规划（Long-horizon tasks）中，显式的视觉反馈是否仍有优势，仍需进一步探讨。

总结：Fast-WAM 为世界模型卸下了“想象力”的负担，却留住了其“智慧”的内核。这可能是通向高性能、高实时机器人普适策略的最优路径之一。