DSWAM：面向精细机器人操作的双系统世界动作基础模型

世界动作模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身（WAM）通过基于视频的世界建模为机器人动作学习提供密集监督，是视觉-语言-动作（VLA）策略的一种有前景替代方案。现有WAM擅长物理执行，但缺乏VLM基VLA中用于分解粗粒度指令的显式语言级规划接口，这在家庭多步复杂任务中尤为关键。为填补这一缺口并实现WAM与VLA的公平对比，研究团队提出DSWAM——一种面向精细机器人操作的双系统世界动作基础模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身。DSWAM保持系统1的WAM执行器作为默认控制路径，并在需要任务分解时可选激活系统2的视觉语言子任务规划器。规划器基于短期视觉历史和全局任务提示预测可执行子任务，WAM执行器则为每条指令或子任务进行世界感知动作生成。

执行器通过动作预测和视频联合训练，推理时直接预测动作块而无需显式生成未来视频。DSWAM还集成了TensorRT加速、异步执行和实时分块技术，使策略查询不阻塞机器人控制。为与VLA策略进行公平真实机器人对比，团队在DeMaVLA真实世界可变形操作设定下，使用匹配的机器人平台、预训练数据训练数据用来「喂」给 AI 模型学习的教材。对机器人来说，主要是「看到的画面 + 做出的动作」一一配对的操作示范。◆ 小白科普 · 现身、后训练数据训练数据用来「喂」给 AI 模型学习的教材。对机器人来说，主要是「看到的画面 + 做出的动作」一一配对的操作示范。◆ 小白科普 · 现身和评估标准构建并评估了DSWAM。