# 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
> 世界动作模型的老毛病是「要预测未来就得把整段视频生成出来」，长任务上算不动。ProWAM 换了个做法：只预测一串稀疏的视觉子目标，一次前向把特征缓存下来，重规划时只跑轻量去噪。零样本真机从 55% 提到 70%。
### TLDR
- **要解决的问题是算力而不是精度**：现有世界动作模型（WAM）要生成长程任务，就得生成密集的视频 rollout，效率极低；改为只预测单张未来帧的做法，又丢掉了「怎么一步步走过去」。
- **做法**：ProWAM 同时预测动作和**一串有序的稀疏视觉子目标**，给动作生成提供明确的视觉锚点；子目标预测可以**从大规模无动作标签的视频里学习**，等于把复杂的视觉规划从动作策略里卸载出去。
- **效率设计的核心**：ProWAM 只做**一次视频主干前向**，把稀疏子目标特征缓存下来，从而免掉迭代式的全视频生成；重规划阶段只需**轻量的动作去噪**。
- **仿真基准成绩**：LIBERO-Plus **85.8%**、随机化 RoboTwin **75.7%**，均为新的最优；相对最强基线**最高提升 35.9%（相对值）**；RoboCasa365 成功率 **48.1%**，在更难的 Composite-Unseen 划分上 **18.2%**，总榜**第 4**。
- **零样本真机是关键字**：在新场景的零样本真机实验中成功率 **70.0%**，比最强基线高 **15.0 个百分点**（55.0% → 70.0%，相对提升 27.3%）。
- **判断**：这篇论文的价值不在单项分数，而在它给出了一条「世界模型不必生成整段视频也能引导动作」的工程路线——对算力预算有限的团队，这比刷高一个榜单更有用。
### SRC
素材时间窗为**当日 09:00 → 19:00**（北京时间，2026-10-05）。事实锚点为一篇 arXiv 新提交的预印本：《World Action Modeling with Progressive Visual Planning》，编号 **arXiv:2610.02508v1**，Announce Type 标记为 new，项目主页为 **https://sii-ferenas.github.io/ProWAM-page**。已核对的事实包括：ProWAM 同时预测动作与一个**有序的稀疏视觉子目标序列**；该设计可从**大规模无动作标注视频**中学习子目标预测，从而让视频主干承担视觉规划、把动作策略解放出来；推理时执行**单次视频主干前向**并缓存稀疏子目标特征，避免迭代式全视频生成，重规划阶段只做轻量动作去噪；仿真结果 LIBERO-Plus **85.8%**、随机化 RoboTwin **75.7%**（作者称为新的 state-of-the-art，相对最强基线最高 **+35.9%** 相对增益）、RoboCasa365 **48.1%** 成功率与 Composite-Unseen **18.2%**（总榜**第 4**）；零样本真机实验 **70.0%**，较最强基线 55.0% 提升 **+15.0 个百分点**（相对 +27.3%）。需切开的边界：本号**仅读到摘要与项目主页层面的信息**，未获得论文正文、附录与消融表，因此无法确认「+35.9%」是相对哪个具体基线、也无法确认各基准的成绩是否来自同一组推理设置；摘要未披露团队所属机构与作者名单，本号不对机构归属作任何推断；「零样本真机」的机器人本体型号、任务数量、试验次数与统计口径均未在已获取材料中出现，70.0% 这一数字应按「单次数汇报」处理，不作横向比较；训练数据规模亦未披露。此外需与站内既有研究解读区分：早前的 RPent 稿件引用的是 **LIBERO-PRO** 基准，本篇为 **LIBERO-Plus**，两者不是同一套评测，分数不可互相印证；与 StageCraft 稿件的差异在于，那篇处理的是「环境引起的失败」，本篇处理的是「长程视觉规划的成本」。判断题均为作者分析，已用「判断：」标注。
### BODY
1世界动作模型的老问题
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。
密集视频 rollout：过程信息完整，算力成本高。长程任务上不可行。
单张未来帧：算力便宜，只给终点，缺少过程锚点。多步任务上指引不足。
ProWAM 的第三选项：一串有序的稀疏子目标。既有过程顺序，又不必生成每一帧。
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。
判断：这个设计真正的巧处在于它把「视觉规划」和「动作生成」的责任分开了。视频主干负责回答「大概要经过哪几个画面」，动作策略只负责回答「为了到达下一个画面，这一秒该输出什么」。责任一分开，两边就都可以独立优化和独立换件。
2省下来的钱花在哪
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。
第一步
视频主干只做一次前向，把稀疏子目标的特征算出来直接缓存。
第二步
动作生成读取缓存的特征，不再重复做全视频生成。
第三步
执行一小段后重新观察，重规划时仅做轻量动作去噪，不重跑视频主干。
第四步
子目标预测本身可从无动作标签的大规模视频里学，不需要机器人动作数据。
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。
判断：模型架构上「谁学什么」的分工，往往比参数规模更能决定落地成本。如果一个系统的视觉规划部分能用公开视频预训练、只有动作部分需要真机数据，那么它的边际成本曲线和纯真机遥操作路线是完全不同的两条线。
3分数怎么读
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。
RoboCasa365 · Composite-Unseen
18.2%
五项分属三套互不相通的评测（LIBERO-Plus / RoboTwin / RoboCasa365 与真机），不可相加、不可取平均，也不代表同一任务的难度梯度。
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。
判断：看这类论文，先做三件事——把不同基准的分数分开摆、把同一基准的不同划分分开摆、把零样本和微调分开摆。这三步不做完，任何一个百分数都可能被读成它承载不了的意思。
4对做交付意味着什么
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。
短任务
一到三步、十秒内结束。重规划次数少，用任何主流方案都能跑，瓶颈在成功率。
中等任务
多步、分钟级。重规划开始成为延迟来源，过程指引（子目标）从「锦上添花」变成「必需品」。
长任务
多阶段、含失败恢复。成本由「单位时间的规划开销」决定，架构选择直接决定能不能上产线。
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。
判断：具身智能的落地竞争，正在从「能不能做对一次」转向「连续做对两小时的成本是多少」。凡是把规划开销按次计入成本结构的方案，都比把规划开销藏在云端、按需调用的方案更容易被客户算清楚——而客户能算清楚的方案，才更容易签下来。
来源：arXiv:2610.02508v1《World Action Modeling with Progressive Visual Planning》摘要与项目主页（https://sii-ferenas.github.io/ProWAM-page）。本号未获得论文正文与消融表；团队机构、训练数据规模、真机实验本体与试验次数均未披露。LIBERO-Plus 与站内此前引用的 LIBERO-PRO 为不同基准，分数不可互相印证。