TL;DR

在具身智能（Embodied AI）领域，为 VLA 模型配备预测未来的“世界模型”已成为共识。然而，预测高分辨率的未来视频帧极其昂贵。本文提出的 OneWM-VLA 证明了一个令人惊讶的结论：在处理长时程任务时，每帧视频仅需压缩为一个语义 Token，配合联合流匹配目标，就能让机器人的成功率实现翻倍增长。 该模型在 MetaWorld、LIBERO 以及真实机器人臂的操作中均打破了之前的性能瓶颈。

动机：视觉带宽的过度浪费

现有的世界模型增强型 VLA 模型通常面临一个两难困境：如果要预测像素级的未来图像，计算成本会随着规划时间（Horizon）的延长而爆炸；如果不预测未来，模型就会变得“短视”，在复杂任务中产生误差累积。

作者观察到，机器人控制并不总是需要精细到每一个像素的感官反馈。相反，一个能表达环境状态迁移的高级语义表征（Semantic Latent）可能更有价值。由此，作者提出了一个核心挑战：在受限的资源下，最少的视觉信息（带宽）到底是多少？

核心方法：Adaptive Attention Pooling 与联合流匹配

1. 极致的瓶颈：Adaptive Attention Pooling

为了实现“每帧一个 Token”的目标，作者引入了一个轻量级的自适应注意力池化模块。它包含两个阶段：

• 多策略 Token 池化：从原本的 256 个视觉 Token 中，利用 MAX（峰值通道响应）、SUM（总和响应）和 LEARN（任务相关学习策略）三种维度进行筛选。
• 自适应视图融合：将上述三种策略生成的特征通过可学习的权重 β 融合成唯一的、代表该视角该帧的语义 Token。

图 1：OneWM-VLA 框架流程，展示了从多视角输入到极简 Token 压缩再到联合生成的全过程。

2. 紧密的耦合：Joint Flow Matching

不同于前人通过独立解码器预测未来的做法，OneWM-VLA 在同一个 Transformer 结构中通过联合流匹配（Joint Flow Matching）同时生成未来的潜在 Token 和动作序列。 这种设计的妙处在于：预测的环境演变（Latents）直接作为动作生成的结构化先验，通过 Self-attention 在推理过程中实时修正动作轨迹。

实验战绩：低带宽，高性能

模拟器与真实世界的双重突破

在含有 50 个复杂任务的 MetaWorld MT50 中，当规划长度 H=30 时，OneWM-VLA 的优势最为明显，尤其是在 Hard 和 Very Hard 级别的任务中，表现远超其骨干网络 π0 和更大的模型 π0.5。

在真实世界实验中，针对具有挑战性的长时程柔性物体任务——折叠布料（Fold Cloth），OneWM-VLA 达到了 60% 的成功率，而原生的 π0 仅有 20%。

表 1：MetaWorld MT50 不同时程下的成功率对比，可见 OneWM-VLA 在长时程任务中的领先优势随 H 增长而扩大。

惊人的发现：Token 越少，效果越好？

作者进行了一项极其有意义的消融实验（见表 4）：将每视角 Token 数从 1 个增加到 12 个时，成功率反而在下降（从 53.13% 降至 20.54%）。 深度洞察： 在特定的训练预算和模型规模下，更小的潜在空间起到了一种隐式正则化的作用，能过滤掉无关的视觉噪声，让模型更专注于与控制相关的动力学本质。

总结与未来展望

OneWM-VLA 的成功为 VLA 社区提供了一个极具参考价值的视角：提升机器人的智能未必需要增加视觉输入的精细度，而可能在于更高效地压缩和耦合。

局限性：虽然该方法在受限预算下表现惊人，但在面对感知复杂度极高的场景（如识别极细小的物体特征）时，单一 Token 的信息瓶颈是否会成为上限仍需进一步验证。未来，结合轻量级的 Token 记忆机制（Token-memory mechanisms）或将是通向更长执行周期、更稳定控制的必经之路。

关键词： VLA, World Models, Flow Matching, Robot Learning, Adaptive Attention Pooling.