85.8%、75.7%、70.0%：ProWAM 把「未来画面」从整段视频，压成了几个子目标

想预测未来，就得先把未来画出来——而画未来很贵

世界动作模型（World Action Model，WAM）这两年成为机器人控制的一条主线思路：不是直接从观察到动作，而是先预测「接下来世界会变成什么样」，再基于这个预测决定动作。直觉上这很合理——人做事也是先想结果再动手。

但工程上有个绕不过去的成本。要预测未来，最直接的做法是把未来的画面一段一段生成出来，这就是所谓密集的视频 rollout。对短任务还行，对长程任务就崩了：任务越长，需要生成的帧越多，算力需求近乎线性叠加，而重规划又要求你不断地重新生成。

近一年出现了一批折中方案：干脆只预测单张未来帧，不做完整视频生成。成本是降下来了，但代价也很明显——只告诉你终点长什么样，不告诉你中间怎么走。对于需要「先挪开障碍、再拿工具、最后放到架子上」这种多步任务，单张未来帧提供不了任何过程指引。

ProWAM 的选择正好卡在中间：不生成整段视频，也不只给一张图，而是给出一串按先后顺序排列的稀疏视觉子目标。稀疏意味着这些子目标之间有间隔，不需要逐帧；有序意味着它保留了「先到哪、再到哪」的过程信息。

一次前向 + 轻量去噪，把「重规划」的成本压下去

对闭环控制来说，最贵的从来不是第一次规划，而是第 N 次重规划。机器人每执行一小段动作，就要重新看一眼现场、重新决定接下来做什么。如果每次重规划都要重新生成视频，整个系统就跑不起来。

第四条是最有杠杆的一条：子目标预测可以从「无动作标注」的视频里学。这意味着互联网上大量的人类操作视频——没有关节角、没有动作序列、拿不到机器人真机数据的那一类——可以被用来训练视觉规划那一半。机器人真机数据依旧稀缺，但它是被用来训练动作侧，而不是被用来训练「世界会怎么变」。

把这个分工想清楚，就明白为什么这类方法对有交付压力的团队更有吸引力：贵的数据只用在非用不可的地方。

三个 80%／75%／70% 不在同一个坐标系里

回到数字。仿真侧，LIBERO-Plus 85.8%、随机化 RoboTwin 75.7%，两者都被作者称为新的最优，相对最强基线的最高相对增益是 35.9%。RoboCasa365 上成功率 48.1%，在最难的 Composite-Unseen 划分上是 18.2%，总榜排第 4。

这里有两个必须说清楚的读法。

第一，同一篇论文里最高的数字，不一定是最有意义的数字。85.8% 出现在 LIBERO-Plus 上，这是一个已被反复刷过的基准；真正能反映泛化能力的是 Composite-Unseen 上的 18.2%——「未见过的组合」意味着训练里没有出现过这种任务搭配，而在这个划分上模型只能做到不到两成。同一套系统在两个划分上有 30 个百分点的落差，说明它仍然高度依赖「见过的组合」。

第二，55.0% 到 70.0% 这段提升要放在「零样本」三个字后面读。零样本的意义是新场景不做任何微调，这对交付方是关键指标——因为现场没有条件给你采数据重训。但摘要中没有给出这次真机实验的机器人本体、任务数量与试验次数，所以 70.0% 只能作为方向性结论，不能与其它论文的数字直接比。

把「长任务」的算力账提前算出来

这类方法最有价值的启发，不是某个具体网络结构，而是它把「长程任务」的成本结构摆到了台面上。

一台机器人在真实场景里干活，最典型的失败不是某一步做错，而是一整条任务链在中途断掉。任务链越长，需要的重规划次数越多，每次重规划的延迟都会累积成肉眼可见的卡顿。从这个角度说，「能完成长任务」本质上是一个延迟工程问题，而不只是模型能力问题。

对做项目交付的团队而言，这意味着在方案阶段就该问三个问题：一次重规划要多少毫秒、一台设备上能不能本地跑、以及当算力不够时能不能只降级视觉规划而不影响动作输出。第三个问题的答案，决定了这套系统在边缘硬件上有没有退路。